目录
1. 训练和测试的规范写法：函数封装
2. 展平操作 (Flatten)：除 Batch Size 外全部展平
3. Dropout 操作：训练“随机”，测试“全开”
1. 训练和测试的规范写法：函数封装
为了保持代码整洁、可复用，并将“逻辑”与“数据”解耦，标准做法是将训练和测试过程分别封装成独立的函数。
核心思想：无论输入是灰度图（MNIST）还是彩色图（CIFAR-10），训练和测试的函数代码逻辑是完全一样的。区别仅在于传入的dataloader（数据不同）和model（输入层维度不同）。
训练函数
train_loop：职责：负责前向传播、计算损失、反向传播更新梯度。
关键代码结构：
def train(dataloader, model, loss_fn, optimizer): model.train() # 1. 开启训练模式 (启用 Dropout/BatchNorm) for batch, (X, y) in enumerate(dataloader): X, y = X.to(device), y.to(device) # 2. 搬运数据 pred = model(X) # 3. 前向传播 loss = loss_fn(pred, y) # 4. 计算损失 optimizer.zero_grad() # 5. 梯度清零 loss.backward() # 6. 反向传播 optimizer.step() # 7. 更新参数
测试函数
test_loop：职责：负责评估模型性能（Loss 和 Accuracy），不更新参数。
关键代码结构：
def test(dataloader, model, loss_fn): model.eval() # 1. 开启评估模式 (关闭 Dropout/锁定 BatchNorm) with torch.no_grad(): # 2. 停止梯度计算 (节省显存) for X, y in dataloader: X, y = X.to(device), y.to(device) pred = model(X) # ... 统计准确率和 Loss
2. 展平操作 (Flatten)：除 Batch Size 外全部展平
全连接层（Linear Layer）无法接收 3D 或 4D 的图像张量，只能接收 1D 的特征向量。
操作逻辑：保留第一个维度（Batch Size），将其余所有维度（通道 $C$、高 $H$、宽 $W$）“压扁”成一长条。
维度变化：
输入形状：
[Batch_Size, Channel, Height, Width]输出形状：
[Batch_Size, Channel * Height * Width]
代码实现：
通常在模型的 __init__ 中定义，在 forward 中调用。
self.flatten = nn.Flatten() # 默认 start_dim=1，即从第2个维度开始展平 # 或者在 forward 中直接写: x = x.view(x.size(0), -1)
3. Dropout 操作：训练“随机”，测试“全开”
Dropout 是防止过拟合的重要手段，其行为受到模型模式（Mode）的严格控制。
训练阶段 (
model.train())：行为：按照设定的概率 p（如 0.2），随机丢弃部分神经元（输出置 0）。
目的：增加学习难度，迫使神经元独立提取特征，不依赖特定路径，增强鲁棒性。
注意：剩余的活跃神经元数值会被放大（
），以保持总能量守恒。
测试阶段 (
model.eval())：行为：Dropout完全关闭。所有神经元都参与计算，权重全开。
目的：利用训练好的完整模型能力，输出最稳定、最准确的预测结果。
一句话总结三者关系：
我们在构建模型时加入 Flatten 以适配全连接层，加入 Dropout 以防止过拟合；在代码编写时，通过封装 train (开启 Dropout) 和 test (关闭 Dropout) 函数来规范化整个流程。
