Sequential来定义模型
官方代码的相关注释：
目标定义了一个三层的网络
net = nn.Sequential(：这里开始定义了一个顺序容器Sequential，用于简单地堆叠各个层（Layer）。在Sequential中的层将按照它们被添加的顺序依次执行。
两种方法的异同之处
定义方式不同：第一段代码采用的是直接传递层对象列表的方式来定义网络；第二段代码则利用OrderedDict为每一层指定了名称，使得网络结构不仅有序而且每层都有明确标识。
灵活性和可维护性：第二段代码由于为每层提供了名称，因此在网络复杂度增加时更加灵活和易于维护。
nn.ModuleList来管理网络层
最大的优势-动态性：由于nn.ModuleList允许动态添加和删除层，因此非常适合需要根据运行时条件动态调整网络结构的场景。
适用场景：
如果你的模型是一个简单的线性序列，nn.Sequential是更简便的选择。
如果你需要更多的灵活性，比如根据输入动态选择路径或在训练过程中动态调整网络结构，nn.ModuleList是更好的选择。
通过理解这两者的区别，你可以根据具体的需求选择合适的工具来构建神经网络模型。
通过搭积木的方式能够组合一个成一个较大的模型
下一个章节为如何通过一系列语句修改相关模型
比如改善模型最终fc层
增加额外性输入与输出
接下来的讨论会更加进阶
首先损失函数的调用可以参考
官方的动态调整学习率文件可以参考
模型的微调部分（学习本课程最想知道的部分）
