上述包含一个头文件memory，这是智能指针的头文件，之后使用using namespace std，可以看到，在main函数中可以直接使用其模版创建一个智能指针，这个时候对于命名空间的范围可能还没有感觉接下来，我们将using namespace去除，而是使用std进行指定：可以看到，不管是iostream中的cout、endl还是memory中的智能指针。

输出经过模型处理过后的输出，打印其shape，可以看到最后的shape是[64, 10]，64表示抓取数，一般是不变的，10表示最后的尺寸，发现符合我们的预期，验证完成（main函数可以保留至此，无需注释）可以看到，先进行一个with语句，该语句的作用是不进行梯度的设置，如果没有梯度，那么就不会进行调参的动作，也就不会改变当前轮训练完之后的模型，，这里就是从100、200、300…同时，可以设置训

图中少化了一个input，实际上，将数据处理完之后，展开成一维的结果，就是一个线性处理中的输入层，大小是64 * 4 * 4之后进行一次线性层的处理，数据量变成了64再经过一次线性层的处理，数据量变成了10（因为模型最后要从十个类别中预测一个，最后的数据可以是对应类别的对应概率）后续我们拿到最终的10数据之后，就可以做一些逻辑处理，比如，如果最后的数据是对应类别的对应概率，那么我们取最大的即可。

一个是外模式和逻辑模式之间的映像，当逻辑模式改变时，对该映像的逻辑模式与逻辑模式对接的方向做出一定的修改，就可以保证映射的正常，从而不必修改外模式和应用程序。人工阶段不共享，因为数据都存在“一个本子”里，同一时刻，只能有一个人在操作（查阅或者修改等等）本子的数据，其他想查阅的只能排队等待。逻辑模式其实就逻辑模型；他们一个实现了逻辑数据的独立性，一个实现了物理数据的独立性，但是这两个都属于**“数据

这是一个python库的集合，在python中，库也叫做包，而anaconda中包含了大部分我们训练模型所需要的包可以使用miniconda+pip 代替anaconda。

人对亮度的差异的分辨能力存在极限。