梳理一下Pytorch项目的基本结构（其实TF的也差不多是这样，这种思路可以迁移到别的深度学习框架中）
结构树-------checkpoints #存放训练完成的模型文件
----xxx.pkl #模型文件
--------data #存放数据文件（如txt）或者数据预处理文件
---__ init __.py
---xxx.txt #数据
---dataset.py #数据集相关
---get_data.sh #一般用于下载某些数据
--------models #存放模型，一般一个模型对应一个.py文件
---__ init __.py
---xxxNet.py
---xxxModel.py
--------utils #存放一些工具函数，如可视化等
---__ init __.py
---visualize.py
--------config.py #配置文件
--------train.py #用于训练模型，可视为主文件
--------test.py #用于测试模型
流程 1、获取数据使用.sh文件下载或者其他方法获得数据
2、数据载入一般会有一个文件把数据处理成适合的格式，然后通过加载器（Dataloader）载入模型中使用，这个Dataloader可能是独立的，也可能集成在train.py里面
3、训练顾名思义，使用载入的数据对定义的模型进行训练。这个过程基本上是使用train.py进行，结果是你会得到一个.pkl结尾的模型文件
4、测试用一部分数据对训练好的模型进行测试（这些数据可以来自之前导入的数据，也可以是新的数据），使用test.py进行，调用损失函数，打印日志（就是你看到的那些在console里刷新的log）
5、使用模型就是调用即可，先给出我们存放模型的位置，然后加载即可（没有实操，后续再更新）
注：
模型.py文件中，一般是用一个函数或者一个类来承载一个具体模型，其中定义着模型的不同层