torch.nn.Flatten(start_dim=1,end_dim=-1)
作用：将连续的维度范围展平为张量。 经常在nn.Sequential()中出现，一般写在某个神经网络模型之后，用于对神经网络模型的输出进行处理，得到tensor类型的数据。
有俩个参数，start_dim和end_dim，分别表示开始的维度和终止的维度，默认值分别是1和-1，其中1表示第一维度，-1表示最后的维度。结合起来看意思就是从第一维度到最后一个维度全部给展平为张量。（注意：数据的维度是从0开始的，也就是存在第0维度，第一维度并不是真正意义上的第一个）
同理，如果我这么写：
self.flat = nn.Flatten(start_dim=2, end_dim=3)那么意思就是从第二维度开始，到第三维度全部给展平，也就是将2、3两个维度展平。
官网给出的示例：
input = torch.randn(32, 1, 5, 5)# With default parametersm = nn.Flatten()output = m(input)output.size()#torch.Size([32, 25])# With non-default parametersm = nn.Flatten(0, 2)output = m(input)output.size()#torch.Size([160, 5])#开头的代码是注释
整段代码的意思是：给定一个维度为（32，1，5，5）的随机数据。
1.先使用一次nn.Flatten()，使用默认参数：
m = nn.Flatten()也就是说从第一维度展平到最后一个维度，数据的维度是从0开始的，第一维度实际上是数据的第二个位置代表的维度，也就是样例中的1。
因此进行展平后的结果也就是[32，1×5×5]➡[32，25]
2.接着再使用一次指定参数的nn.Flatten()，即
m = nn.Flatten(0, 2)也就是说从第0维度展平到第2维度，0~2，对应的也就是前三个维度。
因此结果就是[32×1×5，5]➡[160，5]