一：函数理解：
1： torch.concatenate(tensor 1 , tensor2 , axis =0,1)
若axis = 0，则在列上进行连接，若axis = 1 ; 则在行上进行连接 ； 同时tensor可以换成numpy进行连接 ；
2：torch.norm(numpy or tensor , ord =1 /2 , axis =0 /1)
详解：是求tensor或者numpy的范数，若ord=1，则求第一范数，axis =0,则求列向量的范数 ；
3：torch.tensor.item()：
解析：前面若是单元素的tensor时候，可以调用item将其变成一个标量；
4： 若a是二维的list , 关于list a [x:y]的截取说明：
a[x:y]，左闭右开，取这些行 ；
a[x , y]：取x,y这个数 ；
a[1 , x::y]：在第二行，从x处开始，每隔y取一个数 ；
5：tensor和numpy的互换：
a = from_numpy(b)，此时将numpy转换为tensor，且两者公用相同的内存 ， 改变numpy的值就会改变tensor的值；
6：看完这本书后，记得在看一遍torch文档，然后在把之前的3DDFA和3DDFA_V2之前的项目看下，整理结束后，在看下3dmm face论文 ；
7：关于数据的特征变量还有标签的组合说明：所谓的特征就是输入的已知变量 （比如房价估算中的房子面积数和房子年数就是两个已知变量数据），标签就是该特征变量在真实权重参数的计算下得到的真实值 ；
此时我们可用：
import torch.utils.data as Data
dataset = Data.TensorDataset(输入特征的变量值， 该特征对应的真实标签)
data_set = Data.Dataloader(dataset , batch_size , shuffle = true);
此时我们便可以获得打包好的数据集 ；
8：关于网络在训练前参数的初始化形式，可以参考如下形式进行初始化该权重参数 ；
from torch.nn import init
init.normal_(net.linear/conv2d/参数名.weight , mean = 0 ,std =0.1) ；
初始化均值为0 ，方差为0.1的参数 ；
9：关于全连接层的说明：
全连接层输入的数据是[batch_size , 输入数据的特征个数（参考房价预算的特征个数）] ，输出的数据是batch_size , 输出数据的种类个数 ；
在其中的运算形式是：output = input @ w.t() +b； 形变后就相当于output = w1x1 + w2x2+b；只不过变成了矢量的运算；其中这个input就是输入的特征变量，w 就是权重参数， output就是这次的预测值 ； 全程可以参考房价预算的这个例子，包含两个特征的变量， 还有一个预测值