在pytorch 中一些常用的功能都已经被封装成了模块，所以我们只需要继承并重写部分函数即可。首先介绍一下本文最终希望实现的目标， 对本地的一维数据 （1xn)的ndarry 进行一个多分类，数据集为mn的数据，标签为m1的数组。下面是结合代码记录一下踩坑过程。
继承Dataset类，可以看到我这里重写了三个函数，init 函数用于载入numpy数据并将其转化为相应的tensor，__gititem__函数用于定义训练时会返回的单个数据与标签，__len__表示数据数量m。
通过继承nn.Module来自定义神经网络
其中__init__函数来自定义定义我们需要的网络参数，这里我们block1 的in_channels为1，输出参数可根据需要自己设定，但而且当前层的输出channel应该和下一层的输入channel相同，
注意：MaxPool1d的inchannel需要自己计算一下，当然如果你不想算，可以给个参数直接运行，看报错信息的提示
__forward__ 函数定义了网络的连接方式，注意此处应返回x。
主程序。为了更好的说明，先放一下主程序。这里的程序是已经载入了数据的，data是mn 数组，label为m1数组。
实例化DataLoader的第一个参数是Dataset的实例，通过DataLoader，其功能是为下文训练和测试过程提供数据。
定义训练阶段，从DataLoader中取出数据，这里X，y分别为batch_sizen，batch_size1的数据。
首先要进行一个调整，将X调整为batch_size1n的float,设置float的转化过程放在Dataset的初始化函数里完成了
注意：如果没有这一步会报错
期望是long但得到了float的错误。(虽然我也不明白为啥错误不是期望float...）
y为1*batch的数组并转化成long（这里y的形式可能与损失函数有关）
定义测试过程（同上）
大体流程就是这些，最后记得修改加入输出语句与保存模型等操作。