因为最近实验室安排我带一下另外两位硕士生，然后发现好像他们还挺需要一个简单明了的框架manual的，所以打算写个超级白话的精简版。
1. 首先一句话解释下深度学习，就是给所谓网络一个输入，希望其能输出我们想要的结果。如果没有输出想要的结果，就要教育这个网络，调整其参数配置，使其能输出我们想要的结果。这样之后这个网络在面对其他类似的输入的情况下，往往就能够也输出正确的认识。
2. 要完成这个任务，需要下面这些东西：数据集、网络结构、优化器（也就是教育这个网络的方式）、Loss函数（也就是评判网络输出有多符合我们期望的一个指标）
3. 在PyTorch中，上面这些东西都写好了，我们只需要挑选合适的类创建对象即可。数据集为utils.data.Dataset，模型是由nn.Module堆起来的，优化器就是torch.optim.XXXXX，损失函数就是torch.nn.XXXXLoss。有了这四个组件，就可以按照如下的流程训练网络：
1） 初始化Dataset，for循环读取数据
2） 对每次循环返回的数据，扔到model中，获得一个输出
3） 此输出和期望值做Loss，得到与期望的差距
4） 使用优化器教育网络，使其下次的输出能缩小与期望的差距
由于数据只学一次可能还不够，所以有时候上述步骤还需要重复多次
下面简单说下四个组件最普通、最简单的写法：
1. 数据集。就是继承torch.utils.data.Dataset，然后在__init__()里面搞两个列表存储input和label的路径或数值。然后在__len__()里面return一下label列表的长度。最后__getitem__()里面传回对应下标的（input，label）元组
2. 网络。这个建议先从网上下几个，看看就明白个大致了。基本就是__init__()初始化层，然后forward()里面把这些层连起来罢了。多看几个相信大家很快就能明白
3. 优化器。直接新建个对象然后把网络权重当参数传进去就完事了
4. Loss函数。每次模型训练输出结果后lossfunc(output,label)一下得到一个值，然后backward就完事了。
10分钟到了没？