進入主程式前，我們先看class 大塊

Class Net：神經網路的定義處。

class Net(nn.Module):
    def __init__(self, hidden_size):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5, 1)
        self.conv2 = nn.Conv2d(20, 50, 5, 1)
        self.fc1 = nn.Linear(4*4*50, hidden_size)
        self.fc2 = nn.Linear(hidden_size, 10)
    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.max_pool2d(x, 2, 2)
        x = F.relu(self.conv2(x))
        x = F.max_pool2d(x, 2, 2)
        x = x.view(-1, 4*4*50)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)

這裡，我們定義了一個class,名字叫Net。
注意: 在模型中必須要定義 forward 函數。而backward 函數（用來計算梯度）會被autograd自動創建。 可以在 forward 函數中使用任何針對 Tensor 的操作。

<<init 部分>>

• Conv1：二維卷積層, 輸入為黑白的，所以RGB通道為1(HxWxC =28x28x1),輸出通道為20, 卷積核大小為5x5，跨步為1。
• Conv2：依照conv1類推。請注意，conv1 output chennel，為conv2 input chennel。
• fc1： an affine(仿射) operation: y = Wx + b 。 全連接層fc1: 線性層, 輸入feature 4x4x50,輸出feature 為hidden_size。請注意，50，為conv2 output chennel。
• Fc2： 類推fc1。輸出feature 為 10。(對應數字0..9)

<<forward 部分>>

• 輸入HxWxC =28x28x1圖片，進入神經層conv1。再進入矯正函數ReLU，將負數全部歸0。Output tensor: 24x24x20。
• 進入max_pool2d函數。(x, 2, 2)表示取2x2的方形kernnel，每次跨兩步。在每次的2x2的方形kernnel中，取最大值。Output tensor: 12x12x20
• (12x12x20)，進入神經層conv2。。再進入矯正函數ReLU，將負數全部歸0。Output tensor: 8x8x50。
• (8x8x50)進入max_pool2d函數。Output tensor: 4x4x50。
• x.view(-1, 4x4x50)表示將x轉變成2維平面(r,c)，c = 4x4x50，-1表示剩餘的都給r (所有元素除以[4x4x50])。其實，此時r =1，所以變成長條！
• x = F.relu(self.fc1(x))：x進入fc1而後再矯正負數為0(ReLU)。
• x = self.fc2(x)：我們已經矯正過了，所以不須再次矯正。
• 回覆函數值：return F.log_softmax(x, dim=1)。以[概率]的形式表達[0..9]哪個數字最有可能。此處，dim=1，表示每行進行softmax運算，讓每行和為1，再將每個元素取log值。

圖示如下：

以上為神經網路的定義。
請繼續看下回分解。