1:nn.Module的介绍
2.nn.module的好处
（2.1）embed current layers现成的神经网络计算的模块
（2.2）提供了Sequential容器
[注]在forward时，不需要多个forward只需要使用self.net(x)即可实现整个网络的forward。
（2.3）para的管理
【注】net.parameters()可以获得不含参数名字的值,net.named_parameters()可以获得含参数名字的值。故在使用优化器时，可以直接使用net.parameters()将所有的参数传入即可。
（2.4）modules
[注]上图中sequential()为 direct children。BasicNet(),ReLU(),Linear()均为sequential的children。而sequential()，BasicNet(),ReLU(),Linear()称为module。
(2.5) to(device)
(2.6)save and load
【注】net.state_dict()用于记录所有参数的状态，torch.save()将记录保存到文件中去。load_state_dict()用保存的参数状态初始化。避免了程序停止需要重新train。
（2.7）train/test的切换
[注]net.eval()可以进行test和train的切换。net为根节点。
(2.8):implement own layer实现自己的网络层
【注】pytorch中未提供flatten类，可以通过自己定义一个继承自nn.module的类flatten类。因此自己定义的类也可以写入到Sequential()容器中。
【注】nn.sequential中只能写类，不能写入函数（例如：F.ReLU()）.
(2.9)own linear layer 定义自己的线性层
【注】通过nn.Parameter()类对参数进行封装，自动设置了参数regred=true。并且使用Parameter（）类进行参数的封装，便于对参数的返回。后期可以使用nn.parameters()方法将参数加载到SGD优化器中。
[注]如果不使用Parameter()类进行封装，自行完成regred=true的操作，后期将无法使用nn.parameters()方法进行返回。