目的
使用卷积网络、全连接网络，对MINIST数据进行分类
形状说明
卷积网络：
通常，卷积神经网络都是一个4D的形状输入，（batch,channel,行列值，行列值），如代码中的（64，1，28，28）
通常，卷积神经网络都是一个4D的形状输出，（batch,out_channel,行列值，行列值），如代码中的（64，32，7，7）
输入到全连接网络：
输入值应当为图片信息，输入形状需要根据图像大小展平reshape(-1, 32×7×7)，即为（batch=64，32×7×7）
输出形状根据nn.Linear(256, 10)的10个分类可知，形状为（batch=64，10）
形状说明-计算loss
y_pred = model(x)
loss = loss_fn(y_pred, y_label)
训练中，一次batch=64的数据中：
- 网络的输出y_pred.shape为（64，10）
- minist的label是一个数值，并不是独热编码，因此，学习目标y_label.shape为（64）