pytorch里面的nn库：torch.nn.modules、torch.nn.functional、torch.nn.parameter、torch.nn.Sequential

torch.nn是专门为神经网络设计的模块化接口
torch.nn构建与autograd之上，可以用来定义和运行神经网络

介绍一下四大库：torch.nn.modules、torch.nn.functional、torch.nn.parameter、torch.nn.Sequential

torch.nn.modules

************torch.nn.modules*************
torch.nn.MSELoss
torch.nn.CrossEntropyLoss 
torch.nn.Conv2d # 封装的是卷积神经网络层
torch.nn.Embedding
torch.nn.LSTM
torch.nn.Linear
torch.nn.dropout
torch.nn.LeakyReLU

封装的每一层就是一个模块

// An highlighted block
var foo = 'bar';

// An highlighted block
var foo = 'bar';

torch.nn.functional

************torch.nn.functional************
torch.nn.functional.conv2d
torch.nn.functional.embedding
torch.nn.functional.bilinear

torch.nn.functional & torch.nn.modules有什么区别？

torch.nn.functional & torch.nn.modules有什么区别？

1) 类型不同：torch.nn.functional是函数，torch.nn.modules是类
函数：只是进行简单的 数学运算而已。functional中的函数是一个确定的不变的运算公式，输入数据产生输出就ok，
类：会自动提取可学习的参数 深度学习中会有很多权重是在不断更新的，不可能每进行一次forward就用新的权重重新来定义一遍函数来进行计算，
所以说就会采用类的方式，以确保能在参数发生变化时仍能使用我们之前定好的运算步骤。

2) 如果模型有可学习的参数，最好使用nn.Module对应的相关layer，否则二者都可以使用，没有什么区别：
比如此例中的Relu其实没有可学习的参数，只是进行一个运算而已，所以使用的就是functional中的relu函数， 而卷积层和全连接层都有可学习的参数，
所以用的是nn.Module中的类。 不具备可学习参数的层，将它们用函数代替，这样可以不用放在构造函数中进行初始化。

3) nn.functional.xxx 需要自己定义 weight，每次调用时都需要手动传入 weight，而 nn.xxx 则不用，举例如下

示例：

import torch
import torch.nn as nn
import torch.nn.functional as F

# torch.nn 定义的CNN
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()

        self.conv_1 = nn.Conv2d(1, 16, krenel_size=5, padding=0)
        self.relu_1 = nn.ReLU(inplace=True)
        self.maxpool_1 = nn.MaxPool2d(kernel_size=2)

        sel