数据准备
1.定义了一个Unicode字符转到acsii字符的函数 unicodeToASCII
2.定义了一个函数，用上面定义的函数把一些可能不是ascii码的Unicode转到ascii，并且.txt文件中的数据按行存储
3.查找文件用glob.glob()
4.查找文件后定义了一个字典和列表 字典中存储国家名字对应的姓氏，列表中则存储文件名即国家名字
6.定义一个string类型的变量，把所有的大小写字母按照顺序存到这个letters里面（n_letters = len(letters)
7.定义一个函数，给一个字母，返回在上面letters这个变量中字母对应的索引
8.定义一个函数，自变量是一个string，意义是姓氏，返回了一个len(line)1n_letters的tensor变量，将姓氏转化成tensor变量
模型定义
1.模型使用的是rnn模型
2.在rnn模型中，使用了两个线性层，(
self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
self.i2o = nn.Linear(input_size + hidden_size, output_size)
) 激活函数的是logSoftmax，就是softmax函数外面套了一层log函数
3.在前向传播过程中，先把输入和隐藏层合并成一个大小为input_size+hidden_size的矩阵（torch.cat（）函数实现，dim=1）
4.hidden计算，output计算 5.output激活
6.返回output和hidden
7.定义了一个函数，功能是返回一个1*hidden_size的tensor，用来在训练的时候创建隐藏层
模型训练
1.首先定义了几个变量 hidden_size=128 隐藏层大小
epochs=100000 训练轮数
print_every=5000 每训练五千个名字打印一个训练结果
learning_rate=0.005 学习率
2.定义一个随机选择器，可以随机选择国家和这个国家对应的一个姓氏，并把国家对应的索引和这个姓氏转换成tensor，返回这四个值
3.rnn = RNN(n_letters, hidden_size, len(categories)) # n_letters表明了是针对单个字母训练，训练到姓氏的最后一个字母
4.优化器用的是SGD，损失函数用的是nn.NLLLoss()(NLLLoss+Logsoftmax = 交叉熵损失函数)
5.定义训练函数，将line_tensor和category_tensor传入，先创建一个hidden表示隐藏层，然后梯度清零防止梯度累积（为什么要防止梯度累积？），然后开始训练，batchsize就是len(line_tensor.size[0])（也就是单个姓氏的长度），训练完计算损失，反向传播，更新参数，返回输出和损失
6.定义current_loss = 0和all_losses = [] 存储损失函数 用来画表
7.开始训练，用随机选择器选择一个国家和对应的一个姓氏，将两个tensor传入train函数，并且用current_loss函数存储损失
每训练print_every个姓氏，就把对应结果打印输出（取出output中最大概率对应的i索引，在用索引找到对应的国家，并且和实际的真实值对比）
每训练plot_every个姓氏就把平均损失存入列表中，并把current——loss清零
8.训练完毕，存储参数。
模型验证
为了查看网络在不同类别上的表现如何，我们将创建一个混淆矩阵，为每种实际语言（行）指示网络猜测（列）哪种语言。 为了计算混淆矩阵，使用evaluate()通过网络运行一堆样本，该样本等于train()减去反向传播器。
- 定义函数，预测使用训练好的rnn网络训练单个名字。
- 随机选择10000个名字预测，将预测的结果保存在矩阵中。
- 定义矩阵大小为国家数量。
- 每训练一个名字 就把预测结果位置的数+1
- 最后除以对应行的总数，算出概率。
- 最后绘图
在用户输入上运行
略
