专栏目录：
本文 +
pytorch快速入门与实战——一、知识准备（要素简介）
pytorch快速入门与实战——二、深度学习经典网络发展
pytorch快速入门与实战——三、Unet实现
pytorch快速入门与实战——四、网络训练与测试
注意：
教程模块间独立性较高，任何地方均可跳跃性阅读，别管是不同文章之间，还是文章的不同模块。
怎么开心怎么来。反正都是从“这都是啥”到”呵呵就这“
部分列举的不详细是因为可以跳过，哪怕不懂。
本文定位两个月前的我，近乎纯萌新。UNet做图像处理
文中一切举例皆为最简单的例子，不要受限于此，其可发散性近乎无穷。
鄙人：深度学习萌新，计算机专业，研二，数学不行，代码还行，任务在身，急于应用深度学习，上课时贪玩（不贪玩我也多学不到多少）。
解决问题思路：是什么？为什么？怎么办？ 学习观念：近乎疯狂追求高效，所以选择应急学习。
应急学习：遇到了问题再去搜索和解决，即目的驱动性学习。
入门概念梳理线基于：
深度学习快速入门
深度学习入门方式太多了，基本概念入手，历史发展入手。
总之大多数都是系统的学习，但是系统的学习对于短期内不需要应用深度学习的人来说还阔以，但是对于任务在身的人来说太过于耗时，而且，成就感低，容易厌烦，疲惫。尤其是面对太多生涩概念容易生出恐惧感。
但这也不代表我不注重基础扎实，基石的重要性不言而喻，只是现实面前，我选择偷懒走捷径。
经过两周的转战，终于是让代码跑了起来，并且懂了一些基本的调试（纯手撸代码也是问题不大，不过当然不包括改善网络和loss函数。）
两周以前我面对Deep Learning和pytorch的时候也是一头雾水，仿佛面前是座大山，如今也属于是揭开了一角他神秘的面纱。
1 深度学习能做什么
首先要清楚深度学习能做什么：分类、检测、分割
分类不多说，西瓜书都看过，即：
根据色泽、根蒂等特征判断瓜好坏。
目标检测
图片中圈出车、人、等。
语义分割
注意不局限于NLP（自然语言理解），比如一张图片中， 某个像素点是否属于背景，这也是语义。
但不要局限于此，很多问题归属我不懂，但是发散起来都能用，比如我用深度学习代替CT截面重建
2 神经网络三要素
数据输入到网络输出结果，比对label，算出loss反向传播修正参数。进入下一轮训练。
2.1 数据
可以下载minist手写训练，自己有就用自己的。
或者试手的话自己随机一些二维矩阵当灰度图。
2.2 网络
随便找个baseline，改不改动都行，可以github找源码，也可以找个论文通过网络结构图自己复现，其实也没那么难啦。
2.3 结果回传
torch自带loss函数的，L1正则？MSE均方损失函数？反正是上手，随便定义一个就OK。
反正就是这么个事，那就从这三要素了解一些概念先：
pytorch快速入门与实战——一、知识准备（要素简介）