每天进步一点点呀，要慢慢积累，加油。
1、阅读了论文《Multinomial Distribution Learning for Effective Neural Architecture Search》。论文提出的Performance ranking hypothesis，从想法到写作技巧都值得学习。
2、python的iter()的用法，感觉很方便的样子。
train_loader里是采样得到的几批数据，用iter()函数将train_loader里的数据按批次生成迭代器。
3、pytorch训练模型时的关键几步：
# 首先将上一步求导得到的梯度值清空。
optimizer.zero_grad()
# 获得当前模型的输出logits。
logits = model(im)
# 计算loss。
loss = criterion(logits, lb)
# 用计算得到的loss，对各个参数进行求导。
loss.backward()
# 在已知各个参数的导数值后，用优化器进行优化。
optimizer.step()
