作用：解释网络结构（包括生成器、判决器）以及归一化层、初始化方法、优化方法调度程序（学习率政策），和GAN的目标（损失函数）（ vanilla,lsgan,wgangp)
定义类
class Identity(nn.Module):
前馈整个网络结构
def forward(self, x): return x
返回一个归一化层
参数：norm_type (str)：归一化层的名字（batch|instance|none)
def get_norm_layer(norm_type='instance'):

返回一个学习率表？
参数：optimizer --网络的优化器
opt --存储所有的实验指标；
例如：·例如“linear"模式下，对于前<opt.n_epoches>轮数的训练保持相同的学习率，然后线性的在接下来<opt.n_epoches>轮训练中减小学习率，直到变为0;对于其他的模式（step, plateau, and cosine）采用pytorch默认的优化方法（动态调参）？

初始化网络权重
提供了三种不同的权重初始化方式（normal | xavier | kaiming | orthogonal）
def init_weights(net, init_type='normal', init_gain=0.02):

初始化网络（调用上面的初始化权重来初始化网络）1.确定网络用到的cpu/gpu 2初始化网络权重
def init_net(net, init_type='normal', init_gain=0.02, gpu_ids=[]):

构造一个生成器（调用上面的初始化网络函数构造一个生成器）（主要有resnet_9blocks resnet_6blocks unet_128 unet_256）
def define_G(input_nc, output_nc, ngf, netG, norm='batch', use_dropout=False, init_type='normal', init_gain=0.02, gpu_ids=[]):

构造一个判决器
def define_D(input_nc, ndf, netD, n_layers_D=3, norm='batch', init_type='normal', init_gain=0.02, gpu_ids=[]):

目标损失函数类
class GANLoss(nn.Module):

类初始化函数：
参数：gan_mode：目标损失函数的三种类型：vanilla, lsgan, and wgangp
（bool）target_real_label:真实图片的标签（1）
（bool）target_real_label:假图片的标签（0）

def __init__(self, gan_mode, target_real_label=1.0, target_fake_label=0.0):