Python和java中super的使用用法（有点小语法上的差距，老忘就在这里置顶了）

---

在 Java 和 Python 中，子类调用父类方法的语法略有不同：

1 在 Java 中：

使用 super 关键字：在子类中，可以使用 super 关键字来调用父类的方法。super 关键字可以用来引用父类的构造方法或普通方法。

• 调用父类构造方法：在子类的构造方法中使用 super() 调用父类的构造方法。例如：

public class Child extends Parent {public Child() {super(); // 调用父类的无参构造方法（java里面这种无参构造java虚拟机就算你不写也会自动加上）super(参数); // 调用父类的有参构造方法}
}

如果父类有带参数的构造方法，可以通过 super(参数) 的形式传递参数给父类构造方法。

• 调用父类普通方法：在子类中可以使用 super.方法名() 的形式调用父类的普通方法。例如：

public class Parent {public void printMessage(参数) {System.out.println("Hello from Parent");}
}public class Child extends Parent {public void printMessage() {super.printMessage(参数); // 调用父类的 printMessage 方法System.out.println("Hello from Child");}
}

2 在 Python 中：

使用 super() 函数：Python 中的子类可以使用 super() 函数来调用父类的方法。super() 函数用于获取父类的对象，并且可以调用父类的方法。

• 调用父类构造方法：在子类的 init 方法中使用 super().init() 来调用父类的构造方法。例如：

class Parent:def __init__(self):print("Parent initialized")class Child(Parent):def __init__(self):super().__init__(参数)  # 调用父类的构造方法print("Child initialized")

• 调用父类普通方法：同样地，在子类中可以使用 super().方法名() 的形式调用父类的普通方法。例如：

class Parent:def print_message(self):print("Hello from Parent")class Child(Parent):def print_message(self):super().print_message()  # 调用父类的 print_message 方法print("Hello from Child")

• 另外，在pytorch搭建网络还延续了，Python2的super(当前类，self)使用习惯，在 Python 2 中，super 需要传递两个参数：当前类和 self 对象。但现在Python3这种语法已经可以抛弃了，直接super()，后面空括号就可以了，但pytorch大家搭建网络都还延续了Python2的那个习惯就随大流吧！

class RNN(nn.Module):def __init__(self):super(RNN, self).__init__() # super().__init__() python3现在只需要这样self.rnn = nn.LSTM(         # if use nn.RNN(), it hardly learnsinput_size=INPUT_SIZE,hidden_size=64,         # rnn hidden unitnum_layers=1,           # number of rnn layerbatch_first=True,       # input & output will has batch size as 1s dimension. e.g. (batch, time_step, input_size))self.out = nn.Linear(64, 10)def forward(self, x):# x shape (batch, time_step, input_size)# r_out shape (batch, time_step, output_size)# h_n shape (n_layers, batch, hidden_size)# h_c shape (n_layers, batch, hidden_size)r_out, (h_n, h_c) = self.rnn(x, None)   # None represents zero initial hidden state# choose r_out at the last time stepout = self.out(r_out[:, -1, :])return out