非线性激活，即

这是最常用的

inplace=True 原位操作 改变变量本身的值，就是是否输入时若原本有值，是否更换
该函数就是表示：输入小于零时输出0，大于零时保持不变

代码如下：

import torch
from torch import  nn
from torch.nn import ReLU

input=torch.tensor([[1,-0.5],[-1,3]])
input=torch.reshape(input,(-1,1,2,2))
print(input.shape)
class Tudui(nn.Module):
    def __init__(self) -> None:
        super(Tudui, self).__init__()
        self.relu1=ReLU()

    def forward(self,input):
        output=self.relu1(input)
        return output

tudui=Tudui()
output=tudui(input)
print(output)

非线性激活的作用就是引入非线性，
非线性激活函数（Non-linear Activation Function）是神经网络中的一个重要组成部分。它们被应用于每个神经元的输出，以引入非线性特性。具体来说，非线性激活函数将神经元的线性组合（即加权和加上偏置）转化为非线性输出。
引入非线性特性：没有非线性激活函数的神经网络只能表达线性关系，无论网络有多少层。通过引入非线性，神经网络可以处理复杂的非线性问题，从而能够逼近任何连续的函数。
增加模型的表达能力：非线性激活函数使得多层网络具有更强的表达能力，可以拟合复杂的数据分布，解决复杂的任务，如图像识别、自然语言处理等。
使得深度学习变得可能：深度神经网络中的层数很多，如果每一层都只是线性的叠加，那么无论多少层，最终的模型还是一个线性模型。非线性激活函数使得每一层的输出变得不同，从而使深度学习成为可能。

import torch
import torchvision
from torch import  nn
from torch.nn import ReLU, Sigmoid
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

data_transform=torchvision.transforms.Compose(
    [torchvision.transforms.ToTensor()]
)
test_data=torchvision.datasets.CIFAR10('./dataset',train=False,transform=data_transform,download=True)
dataloader=DataLoader(dataset=test_data,batch_size=64)
class Tudui(nn.Module):
    def __init__(self) -> None:
        super(Tudui, self).__init__()
        self.relu1=ReLU()
        self.sigmoid1=Sigmoid()

    def forward(self,input):
        output=self.sigmoid1(input)
        return output

writer=SummaryWriter('rules')

tudui=Tudui()
step=0
for data in dataloader:
    imgs,targets=data
    writer.add_images('input',imgs,step)
    output=tudui(imgs)
    writer.add_images('output', output, step)
    step=step+1

writer.close()