训练过程（Training Process）
训练神经网络涉及以下步骤：
准备数据：通过 DataLoader 加载数据。定义损失函数和优化器。前向传播：计算模型的输出。计算损失：与目标进行比较，得到损失值。反向传播：通过 loss.backward() 计算梯度。更新参数：通过 optimizer.step() 更新模型的参数。重复上述步骤，直到达到预定的训练轮数。激活函数（Activation Function）
激活函数决定了神经元是否应该被激活。它们是非线性函数，使得神经网络能够学习和执行更复杂的任务。常见的激活函数包括：
Sigmoid：用于二分类问题，输出值在 0 和 1 之间。Tanh：输出值在 -1 和 1 之间，常用于输出层之前。ReLU（Rectified Linear Unit）：目前最流行的激活函数之一，定义为 f(x) = max(0, x)，有助于解决梯度消失问题。Softmax：常用于多分类问题的输出层，将输出转换为概率分布。损失函数（Loss Function）
损失函数用于衡量模型的预测值与真实值之间的差异。
常见的损失函数包括：
均方误差（MSELoss）：回归问题常用，计算输出与目标值的平方差。交叉熵损失（CrossEntropyLoss）：分类问题常用，计算输出和真实标签之间的交叉熵。BCEWithLogitsLoss：二分类问题，结合了 Sigmoid 激活和二元交叉熵损失。优化器（Optimizer）
优化器负责在训练过程中更新网络的权重和偏置。
常见的优化器包括：
SGD（随机梯度下降）Adam（自适应矩估计）RMSprop（均方根传播）测试与评估
训练完成后，需要对模型进行测试和评估。
常见的步骤包括：
计算测试集的损失：测试模型在未见过的数据上的表现。计算准确率（Accuracy）：对于分类问题，计算正确预测的比例。