神经网络核心组件

 层：神经网络的基本结构，将输入张量转换为输出张量。

模型：层构成的网络。

损失函数：参数学习的目标函数，通过最小化损失函数来学习各种参数。

优化器：如何是损失函数最小，这就涉及到优化器。

 构建神经网络的主要工具

nn.Module                                                          ①继承自Module类，可自动提取可学习的参数。 ②适用于卷积层、全连接层、dropout层。

nn.functional                                                       ①更像是纯函数。                                               ②适用于激活函数、池化层。

构建神经网络的主要工具-nn.Module

 构建神经网络的主要工具-nn.functional

nn.Module，写法一般为nn.Xxx，如nn.Linear、nn.Conv2d、nn.CrossEntropyLoss等。nn.functional中的函数，写法一般为nn.funtional.xxx，如nn.funtional.linear、nn.funtional.conv2d、nn.funtional.cross_entropy等。

两者的主要区别如下：                                  nn.Xxx继承于nn.Module，nn.Xxx 需要先实例化并传入参数，然后以函数调用的方式调用实例化的对象并传入输入数据。它能够很好的与nn.Sequential结合使用，而nn.functional.xxx无法与          nn.Sequential结合使用。                              nn.Xxx不需要自己定义和管理weight、bias参数；而nn.functional.xxx需要你自己定义weight、bias，每次调用的时候都需要手动传入weight、bias等参数, 不利于代码复用。                      dropout操作在训练和测试阶段是有区别的，使用nn.Xxx方式定义dropout，在调用model.eval()之后，自动实现状态的转换，而使用nn.functional.xxx却无此功能。

构建模型

继承nn.Module基类构建模型。                            使用nn.Sequential按层顺序构建模型。                继承nn.Module基类构建模型，又使用相关模型容器(nn.Sequential,nn.ModuleList,nn.ModuleDict等）进行封装。

使用nn.Sequential按层顺序构建模型

1.利用可变参数：该方法构建时不能给每个层指定名称,如果需要给每个层指定名称，可使用add_module方法或OrderedDict方法。

2.使用add_module方法

3.使用OrderedDict方法