接PyTorch框架：（3）
1、最基本的方法
（1）使用模块
模块1：TensorDataset、模块2：DataLoader
自己去构造数据集，然后一个batch一个batch的取数据，自己去写构造数据太麻烦，可以自动让其把数据源给我们构建好，这两个模块就是来帮我们完成这个事的。
第一步把x_train和y_train传进去，使用TensorDataset自动的帮我们组件dataset即(train_ds)；
DataLoader是得搭配一下，先把数据转化为TensorDataset所支持的格式，然后采用DataLoader读进来，DataLoader的意思就是你把数据交给我，然后你告诉我一个batch_size有多少，然后你要取数据的时候我就帮你一个batch一个batch的取数据，这样方便一些。shuffle=True表示要不要重新洗牌；
（2）定义一个get_data方法，需要传进来当前的数据集，后边做了一个return，就是按照一个Batch取数据就完事了；
（3）训练函数
自己定义一个训练方法，def fit方法，实际的去执行训练的操作。传进来的参数：
steps：一共迭代多少次。
model：就是定义的model，就是自己写个类，把model传进来。
loss_func：使用的f.中的损失。
opt：优化器是什么。
train_dl：实际数据传进来。
valid_dl：实际数据传进来。
Batch Normalization和Dropout在训练的时候一般都会加这两项，让模型过拟合的更低；在测试的时候一般就不加这两个东西了。所以为了有这两个区分，如果此时是训练，那么在训练的时候加上model.train()；下边不是训练就是走一次前向传播，看一下对于当前模型来说他的一个效果，他的损失等于多少，把损失拿过来，我也不需要进行参数更新，不需要计算梯度，也不需要训练的过程，所以这一块我再额外的指定一下，这块不需要加Batch Normalization和Dropout，他不是一个训练的过程，所以在前边加上model.eval()。
所以见到这两个就是表示：model.train()强调的是你的训练过程，把该加的加进去；model.eval()强调的是测试过程，只需要得到结果，不需要把没用的都加进去。
loss_batch做的事情：如果你传进来一个优化器，优化器求梯度，求完梯度更新，更新完之后置0，然后返回结果。这里不光计算一个loss值还要去计算他实际的梯度值是多少，要进行参数的更新。
上述相当于把每个模块都准备好了，实际训练模型的时候不用把每个函数都也在一个sell当中，下面三行就搞定了：
第一步：拿到数据getdata。
第二步：拿到模型和优化器。(模型就是自己的类Mnist_NN)
第三步：执行fit函数。(fit函数的第三个参数表示损失函数是如何计算的，在损失函数计算当中还加入了梯度的更新，第四个使用什么样的优化器去更新我当前的结果)
2、复杂的方法
暂定
