即使从nn.Module继承后，Net类中也没有参数

，这是因为在PyTorch中，nn.Module是一个基类，用于构建神经网络模型。当我们从nn.Module继承创建自己的网络类时，通常会在类的构造函数中定义网络的结构和参数。

然而，即使在Net类中没有显式定义参数，它仍然可以具有可学习的参数。这是因为nn.Module的子类会自动追踪并注册所有具有requires_grad=True的张量作为模型的参数。这些参数可以通过模型的parameters()方法进行访问。

在没有显式定义参数的情况下，Net类可能是一个简单的前向传播网络，它只包含一些固定的操作和层，而没有需要学习的参数。这种情况下，Net类可以用于特定的任务，例如特征提取或固定特定层的权重。

以下是一个示例代码，展示了一个没有显式定义参数的Net类：

import torch
import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1)
        self.fc = nn.Linear(128 * 7 * 7, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = self.conv2(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

net = Net()

在这个示例中，Net类定义了一个简单的卷积神经网络，包含两个卷积层、ReLU激活函数、最大池化层和一个全连接层。尽管没有显式定义参数，但是conv1、conv2和fc层都具有可学习的参数，它们会被自动注册为模型的参数。

对于这个问题，腾讯云提供了一系列与深度学习和神经网络相关的产品和服务，例如腾讯云AI引擎、腾讯云机器学习平台等。您可以通过访问腾讯云官方网站获取更多关于这些产品的详细信息和文档链接。