使用监督学习（feature matching）的方法编写隐藏层代码，并附加优化包功能进行分析

总说

这一问题存在一定挑战性。通常情况下，损失函数的构建主要针对网络最后一层的输入，通过计算损失的梯度，再逐层进行反向传播。然而，在某些场景下，我们希望在中间层也引入监督机制，例如特征匹配。以下以Torch7代码为例进行说明。

net(input)_layerX表示将输入数据传入网络，并获取到第X层的特征图。
大致归纳起来，可以分为以下三类：
1. 特征匹配的目标保持不变的情况——神经风格迁移便是一个典型的实例；
2. 类似于RCF（用于边缘检测的更丰富的卷积特征）的方法，利用反卷积操作将中间层特征映射到单通道或三通道；
3. 真正意义上的特征匹配方式，即让net(input)_layerX与net(target)_layerX尽可能趋于一致。

类似neural style的最简单的feature matching类型

这种做法严格来说并不能完全归类为特征匹配，但就目前来看，这段代码所体现的特征匹配方式应当属于最基础的一种实现形式。
在 Torch7学习（七）——Neural-Style代码解析中，文章末尾提出了一个疑问，当时我尚无法给出明确的答案。如今再回顾，才发现这实际上就是一种最为简单的特征匹配方法！
因为在神经风格迁移过程中，首要任务是持续调整输入x的值，从而使得VGG(x)_layerX与`