1、ImageDataBunch 对数据封装的很好，包括预处理都在这里面完成了
2、models 现有模型及权重
2-1 create_body 可以用来获取现有模型的主体结构
2-2 create_head 可以用来创建 分类器的全连接层，加了 flat, norm归一化在里面，效果比较好
3、learner, 数据，模型，loss函数与 学习方法的合体
3-1 create_cnn 用来创建 fastai内置好的 lerner, 效果比较好。 之前没完全弄得，弄个模型就想网 create_cnn里面塞，导致报错，应该是 切分和 分层没配置。
learner任意模型放到 learner里面就能用，但是效果没有 create_cnn的好。应该还是 分层没对的结果。这个还要调试。
4、迁移学习时的冻结和解冻 learn.freeze(）learn.unfreeze()都有对分层做这里，这就是还需要研究的地方。把learner的效果做成和 create_cnn的效果一样。
cut 可以是数字或者是返回骨架的一个函数——待会尝试下
split_on 是一个函数，急需验证下——太神奇了，应用了该技术后，收敛明细加快。
def _resnet_split(m:nn.Module): return (m[0][6],m[1])
是分成了3个group, 前面0-5，6到最后，然后是头部
cut -1，-2好些有点不对
