1. 激活函数如何在两个层之间作用
如果不在两个层之间添加激活函数，模型将无法学习非线性关系，表现出像线性模型一样的局限性。
LeakyReLU(0.2) 是一个激活函数，它的作用是对每一层的输出进行非线性转换。激活函数通常在神经网络中用于增加网络的非线性能力，使得网络能够拟合更复杂的函数。
- LeakyReLU 的定义
LeakyReLU 是一种变种的 ReLU 激活函数。与普通的 ReLU 激活函数不同，LeakyReLU 对负值部分并不会直接输出 0，而是给负值部分留下一点点“泄漏”：
其中，α（通常为 0.01）是负半轴的斜率，LeakyReLU 通过给负值加上一个较小的斜率（通常是 0.01 或其他小值）来避免神经元完全“死亡”的问题（即神经元在训练过程中因为权重更新过小导致输出始终为零）。
在神经网络中，LeakyReLU 会接收上一层的输出并对其进行变换，从而得到下一层的输入。
让我们通过一个简化的例子来说明如何将 LeakyReLU 用在网络中。
model = []
model += block(nROI, int(nROI/2)) + block(int(nROI/2), int(nROI/4))
这里的 block 函数定义了一个标准的网络块，其中包含以下内容：
def block(in_layer, out_layer):
layers = [nn.Linear(in_layer, out_layer, bias=False)]
layers.append(nn.LeakyReLU(0.2, inplace=True))
return layers
block函数的目的是将多个神经网络层组合成一个模块。这个模块返回的是一个列表（layers），其中每个元素都是一个nn.Module对象。nn.Module是PyTorch中所有神经网络层和功能模块的基类，包括激活函数（如nn.ReLU、nn.Sigmoid等）。因此，block函数中的每个元素可以是一个神经网络层，也可以是一个激活函数模块。通过这种方式，block函数能够灵活地组合不同的层和功能模块，形成一个完整的神经网络模块。
假设我们调用了 block(8, 4) 和 block(4, 2)。这些 block 函数会返回一组层（包括线性层以及 LeakyReLU 激活函数）。
比如 block(8, 4)会得到：
[nn.Linear(8, 4, bias=False), nn.LeakyReLU(0.2)]
这个模块先通过 nn.Linear(8, 4, bias=False) 将输入的 8 维数据转换为 4 维数据，然后将结果传递给 LeakyReLU(0.2) 激活函数，进行非线性变换。
假设输入数据为 x = [2, -3, 1, 0.5, …]，经过线性层后输出为 4 维数据（假设输出为 [1.0, -0.5, 3.2, 0.1]）。然后，经过 LeakyReLU 变换：
1.0 → 1.0（因为大于 0）
-0.5 → -0.5 * 0.2 = -0.1（因为小于 0，乘以 0.2）
3.2 → 3.2（因为大于 0）
0.1 → 0.1（因为大于 0）
最终经过 LeakyReLU 处理后的输出为：[1.0, -0.1, 3.2, 0.1]。
2 多个网络层之间如何连接
网络层是通过每个层的输出作为下一个层的输入来连接的。当一个神经网络的层经过 LeakyReLU 激活后，其输出成为下一层的输入。
在你的代码中，每个 block 函数会返回一个层列表，这些层会依次执行：
model += block(nROI, int(nROI/2)) + block(int(nROI/2), int(nROI/4))
假设输入数据 x 的维度为 nROI=8，那么这个 block 会返回如下的网络结构：
nn.Linear(8, 4)：将输入的 8 维数据映射到 4 维。
nn.LeakyReLU(0.2)：对 4 维输出应用 LeakyReLU 激活函数。
然后继续使用另一个 block(4, 2)：
nn.Linear(4, 2)：将 4 维数据映射到 2 维。
nn.LeakyReLU(0.2)：对 2 维输出应用 LeakyReLU 激活函数。
block 函数的作用是将一些神经网络层组合成一个列表。你将这些层组合起来，形成一个完整的神经网络结构。通过 model +=，这些层会被加到 model 列表中，从而组成模型的一部分。
