1.为什么self.dense0(x)这个没有报错，已经在初始化之后指定了参数，而且nn.Dense反返回的是张量。
不懂这种用法：不过可以理解为256是定义网络的节点个数，下面的x表示网络的输入
mili的回答:dense0是一个class的实例。dense0(x)属于operator 重载，它实际上是调用dense0.forward(x)
2.卷积神经网络的通道
卷积操作的过程这个通道是如何变化的：【以mxnet中四维的矩阵为例】
需要理解卷积操作，卷积核大小，作用（降维），在mxnet中的nn.conv2D函数中第一个参数channels是卷积的输出通道数，或者是nn.Convlution函数中的num-filter表示输出通道数；而通道有这样的性质：多个通道的时候，每个通道会 n有对应的权重；此处的权重形状与卷积核的形状相同【第一个参数是输出通道数，第二个参数是输入通道数，第三四个参数就是卷积核的宽、高】，按元素进行运算之后加和得到新的矩阵。且下一层卷积的输入通道数需要等于上一层卷积输出的通道数！
3.在numpy和mxnet的ndaray中的数组都会出现轴的概念，axis
牢记一点：只要按照axis=1的运算或者操作，那么axis=1的结果1轴的维度必然改变。从两个2×3变成4×3的矩阵
3.GooLeNet的组成：
1*1表示提取最细的信息，3*3提取稍大块的信息，5*5提取更大的信息；maxpool以里外一种方式来取信息；
绿色的卷积是为了转换输入，改变通道数；使得最后可以按照通道数concat在一起
4.反向传播和正向传播【相辅相成，反向传播有时候需要正向传播的值 】
前向传播：假设输入X形状是x×1，h形状是h×1，o的形状是y×1，那么可以知道w(1)的形状是h×x;
其中h的函数是对结果z，按照元素来进行操作！
s是正则化项：w的各个元素平方和，j是损失和正则化的加和，也就是总误差！
反向传播：从最后开始，就是先s和L，再o。。。。。
①让J 对 s 和 L求导，如图
②对o求导；利用①
③对w(2)求导，其中h的转置是因为其它参数的形状固定了，所以需要将h转置
④对z求导，利用到了元素乘法，即对两个矩阵对应的元素相乘得到的。
在循环神经网络上运用反向传播：
其中L对Ht的求导函数的通项公式是:通过递推公式进行归纳！
