这篇文章详细介绍了全链接神经网络实现方法，以及卷积的实现方法。最后我们发现，卷积的实现方法与全链接大同小异，因为 torch 为我们做了很多工作，我们来看看这两个有什么区别。
我们使用 torch 框架来实现两种神经网络，来对图形进行分类。

NN

首先我们引入依赖包

import torch
from torchvision import datasets
from torchvision.transforms import ToTensor
from torch.utils.data import DataLoader
# from torch import nn
import torch.nn as nn

下载数据，ToTensor()是把PIL.Image转换为 tensor 格式数据

train_data = datasets.FashionMNIST(
    root='data',
    train=True,
    download=True,
    transform=ToTensor()
)
test_data = datasets.FashionMNIST(
    root='data',
    train=False,
    download=True,
    transform=ToTensor()
)
print(len(test_data))

使用 Dataloader 来处理数据

batch_size = 64
train_loader = DataLoader(
    dataset = train_data,
    batch_size = batch_size,
    shuffle = True
)
test_loader = DataLoader(
    dataset = test_data,
    batch_size = batch_size,
    shuffle = True
)

我们来看看 train_loader 中的数据是什么格式

for x ,y in train_loader:
    print('x::',x,x.shape)
    print('y::',y)
    break

继承 nn.Moule，创建全链接神经网络，
第一层是784，第一个隐层未512，第二个隐层也为512，最后输出层为10（因为我们的图像数据是个10分类的数据）

class NN(nn.Module):
    def __init__(self):
        super().__init__()
        self.line = nn.Sequential(
            nn.Linear(28*28,512),
            nn.ReLU(),
            nn.Linear(512,512),
            nn.ReLU(),
            nn.Linear(512,10)
        )
    def forward(self,x):
        x = nn.Flatten()(x)
        # print('x.shape::',x.shape)
        pred = self.line(x)
        return