torch框架是基于lua的。在深度学习torch框架下，lua的编程相对来说还是比较好掌握的。下面我来和大家介绍一下神经网络模型是怎么构建出来的。此部分主要目的是对刚刚接触torch框架的小伙伴提供知识的学习，单纯的复制粘贴代码跑程序是跑不出来的。
1.torch可以让我们自己一层一层的设计自己的网络，像是容器一样可以一层一层地把你自己的Layer（神经网络的中的层）往里面添加。torch中有神经网络(Neural Networks)的包‘nn’。在使用nn包之前需要在程序中输入：require 'nn'; 这里的require相当与C语言中的include。
2.构建神经网络容器。torch中提供了三种形式构建的神经网络的容器，如图：
model = nn.Sequential() 这样就构建了一个名为model的神经网络容器，使用的神经网络类型是图片中的第一个。
3.创建一个卷基层： nn.SpatialConvolution()
model:add(nn.SpatialConvolutionMM(1, 32, 5, 5))，里面的参数值的含义分别为：1表示输入图片的通道为1，这个改写成3就是输入3通道的图片；32表示经过该层的卷积运算输出的通道数；5，5这两个参数代表的是用5x5的核进行卷积运算。总结，该层是把1通道的图片输入进来然后利用5x5的卷积核进行卷积运算，最后输出32通道的图片。
module = nn.SpatialConvolution(nInputPlane, nOutputPlane, kW, kH, [dW], [dH], [padW], [padH])
这是卷积层的函数说明，我们在上面只用到了前4个参数，[ ]为可以不用输入的参数，后面的dW，dH即横向移动和纵向移动的步长默认为1，padW为宽度维度附加0的参数，因为有的图像用你设置的卷积核和步长运算时，可能出现维数不对的情况（类比2x3的矩阵不能乘以2x4的矩阵一样，你的需要把2x4的矩阵换成3x4的矩阵，这里是在2x4的矩阵下面添加一行0元素，使其成为3x4的矩阵)，默认为0，最好是设置成(kW-1)/2，即卷积核的宽-1后再除以2。padH默认为padW，最好设置成(kH-1)/2，即卷积核的高-1后再除以2。
4.在卷积层里面添加激励函数, model:add(nn.Tanh())，这里添加的是Tanh(),也可以是ReLU函数，Sigmoid函数等等。
5.添加pool池化层，model:add(nn.SpatialMaxPooling(3, 3, 3, 3))即在3x3的区域内找最大的数，横向步长为3，纵向步长为3。
module = nn.SpatialMaxPooling(kW, kH, [dW], [dH], [padW], [padH]) 这是pool池化层的函数说明，[ ]中的参数与卷积层函数所表达的意义是一样的，这里就不重复说明了。
6.添加卷基层torch的会自动连接前面的32张图片作为输入，这次是输出64张图片，卷积核为5x5，激励函数，池化层。
model:add(nn.SpatialConvolutionMM(32, 64, 5, 5))
model:add(nn.Tanh())
model:add(nn.SpatialMaxPooling(2, 2, 2, 2))
7.model:add(nn.Reshape(64*2*2))，这行是将64x2x2的3维tensor转换成64x2x2的1维tensor。通俗地理解为原先用64x2x2的立方体描述的东西，现在转化成用一条64x2x2线来描述之前的东西。
8.model:add(nn.Linear(64*2*2, 200))，Linear是全连接层，我们将3维的tensor转化成（想象成立方体）转化成了1维的tensor，这在上一步时会输出64x2x2=256个节点，在这里我们让这256个节点与200个节点建立全连接。
9.添加激活函数。model:add(nn.Tanh())
10.model:add(nn.Linear(200, 10))，200个节点与10个节点全连接。最后是将10个节点输出转化成对数概率，用于分类问题。
11.model:add(nn.LogSoftMax())，定义损失函数。
12.print(model)，输出模型。
完整构建神经网络模型的代码：
require 'nn';
model = nn.Sequential()
model:add(nn.SpatialConvolutionMM(1, 32, 5, 5))
model:add(nn.Tanh())
model:add(nn.SpatialMaxPooling(3, 3, 3, 3))
model:add(nn.SpatialConvolutionMM(32, 64, 5, 5))
model:add(nn.Tanh())
model:add(nn.SpatialMaxPooling(2, 2, 2, 2))
model:add(nn.Reshape(64*2*2))
model:add(nn.Linear(64*2*2, 200))
model:add(nn.Tanh())
model:add(nn.Linear(200,10))
model:add(nn.LogSoftMax())
print(model)输出的结果如图所示：
