torch.nn模块包含torch为我们准备好的各种层，方便我们调用以构建网络。我们主要介绍卷积层、池化层、激活函数层、循环层、全连接层等的相关使用方法。

在Pytorch中提供了多种高搭建网络的方式，我们这里会以一个简单的全连接神经网络作为例子来介绍pytorch中定义网络的两种方式：Module以及Sequential。在本文中我们将使用boston房价数据，分别使用Module以及Sequential两种方式来定义一个简单的全连接神经网络，并用于网络模型的训练。在最后我们会介绍模型的保存和加载的方法。...

torch.nn模块包含torch为我们准备好的各种层，方便我们调用以构建网络。我们主要介绍卷积层、池化层、激活函数层、循环层、全连接层等的相关使用方法。

深度学习网络通常具有比较深的层次结构，因此需要可视化工具将建立的深度学习网络结构层次化的展示出来。本文中我们首先定义一个简单的CNN网络对MNIST数据进行分类，并通过PytorchViz库进行网络的可视化处理。...

网络训练过程的可视化主要是帮助使用者监督所搭建的网络的训练过程，以期获得更有效的训练效果。在4.1中我们已经定义了一个简单的卷积神经网络，本节中我们将以该网络为例使用HiddenLayer库来可视化网络的训练过程。...

对于搭建的网络，一般情况下我们使用默认的参数初始化就可以获得比较稳定的结果，但我们如果了解常用的参数初始化方法并加以使用，在某些情况下可以提高模型的精度。