分析影像的卷積層、DAY12的激活函數層和DAY14的池化層，這些之外我們還會有丟棄層（dropout layer）扁平層（flatten layer）以及全連接層（dense、fully connected layer）
丟棄層：為了避免過度訓練，讓神經網路不仰賴某種特徵。
扁平層：讓多維輸入經過扁平讓輸出為一維，通常使用時間是在卷積層連接全連接層之間，扁平不會影響批次大小

photo = torch.rand(1, 3, 128, 128)
photo.size()
photo_flatten = photo.flatten()
photo_flatten.size()

全連接層：分析圖像，特點是輸入要是一維也就正因為這樣所以需要扁平層
建立神經網路

model = nn.Sequential(
            nn.Conv2d(3, 16, kernel_size=3, padding=1), ＃第一層卷積層

包含RGB三個通到轉成16個，意思就是產生16個特徵值

            nn.Tanh(),

tanh激活函數處理出現的特徵

            nn.MaxPool2d(2), ＃第一層最大池化層

池化將圖片縮小

            nn.Conv2d(16, 8, kernel_size=3, padding=1),
            nn.Tanh(),
            nn.MaxPool2d(2),
            ...
            )