1.torch.randn(1, 3, 3, 3)
生成随机数向量
2.torch.Tensor.view(3, 9)
变换维度，如把上面的四维 1 * 3 * 3 * 3 变成二维 3 * 9 ，方式就是顺序排列下来
view(-1, 3) 会把数据变成 n * 3 维度
3.nn.Linear(in_features = 3 * 3, out_features = 1)
全连接层，输入必须是二维
input是 (3, 9)的情况下，in_features是9，output是 (3, 1)
4.torch.cat((A, B), dim = 1)
拼接两个Tensor，dim = 0 竖着拼，dim = 1 横着拼
5.nn.module
定义自己的网络
需要继承nn.Module类，并实现forward方法。
一般把网络中具有可学习参数的层放在构造函数init()中，
不具有可学习参数的层(如ReLU)可放在构造函数中，也可不放在构造函数中(而在forward中使用nn.functional来代替)
只要在nn.Module的子类中定义了forward函数，backward函数就会被自动实现(利用Autograd)。
在forward函数中可以使用任何Variable支持的函数，毕竟在整个pytorch构建的图中，是Variable在流动。还可以使用if,for,print,log等python语法.
注：Pytorch基于nn.Module构建的模型中，只支持mini-batch的Variable输入方式，
比如，只有一张输入图片，也需要变成 N x C x H x W 的形式：
input_image = torch.FloatTensor(1, 28, 28)
input_image = Variable(input_image)
input_image = input_image.unsqueeze(0) # 1 x 1 x 28 x 28
