层和块基础知识：

1.涉及一个类class的用法：

        -1.非继承类，直接在类里面写操作，写函数即可

        -2.继承类：该类里面直接操作可以引用父类，但是构造函数要是需要使用父类的函数则需要在函数开头增加super().。

变量有两种，一种是对函数参数在函数内的调用，只在函数内有效则可以直接调用，如果需要让变量储存在类里供所有函数以及操作调用，需要使用.self

2.对于块内参数调用直接切片调用即可，

eg:rgnet[0][1][0].bias.data,这里指rgnet块的第一大块第二个子块的第一层偏置的本身

3.调用weight,bias时候，直接调用会标出可不可导，.data是直接tensor数据，.grad是导数

4.这里是两种常见的参数调用方式，第一种会输出一个元组，分别是名字和数据，而第二个只有数据：

m.named_parameters()和m.parameters()
对第一种：print(*[(name, param.shape) for name, param in net[0].named_parameters()])('weight', torch.Size([8, 4])) ('bias', torch.Size([8]))分别是当前层的权重和偏执，应为只要求了一层，所有没有层数提示。
print(*[(name, param.shape) for name, param in net.named_parameters()])
('0.weight', torch.Size([8, 4])) ('0.bias', torch.Size([8])) ('2.weight', torch.Size([1, 8])) ('2.bias', torch.Size([1]))分别是第一层的参数，第三层的参数

（这里解包是让输出好看，不然输出外层会有个[]

5.对块（网络）使用，参数分别是名字和要加入的新块。用于向原有块中加入新块。

.add_module

6.这里右边得到一个和m.weight同形的矩阵，是对绝对值大于5进行判断后得到的bool值，之后使原矩阵和这个bool矩阵相乘，bool矩阵会自动转变为0和1，结果就是得到一个绝对值大于5的元素归零的新矩阵。

m.weight.data *= m.weight.data.abs() >= 5

7.这是一个构造函数，用于将括号内的参数包装成可训练的参数赋予变量

nn.Parameter()

8.有两种快速保存模型参数防止事故丢失数据的方式：1.当只需要保存一些简单参数时，可以使用轻量化的快速存储：

torch.save(x, 'x-file')，把x保存在新建文件x-file中，可以通过x2 = torch.load('x-file')这样迅速获取文件内容。

2.需要保存整个模型当前所有参数，由于一般比较多比较大，所以使用：

torch.save(net.state_dict(), 'mlp.params')，第一个指定对应网络的所有参数，第二个指定保存文件，当需要调用（需要模型结构完全相同），
clone = MLP(),clone.load_state_dict(torch.load('mlp.params')),（假设原模型是MLP())，只需要使用该函数即可将参数直接施加到模型上