一、代码的结构解析

代码逻辑非常清晰，完全按照深度学习的标准流程走：数据加载 -> 定义模型 -> 训练 -> 测试。

1. 1数据集加载与预处理

首先导入代码所用到的相关模块

1.2 加载与预处理数据集

代码root="data"是数据存放路径；train=True是加载训练集；transform=ToTensor()是将图片转换为pytorch能够处理的张量，并进行归一化。

1.3搭建神经网络

这是一种三层全连接神经网络（MLP）：

nn.Flatten()(展平层)：MNIST 的原始图片是一个二维的 28×28 的像素矩阵。但全连接神经网络不认识二维数组，它只认一维的向量。所以第一件事就是把这 784 个像素点“拉直”，变成一个长度为 784 的一维向量。这就是28*28的由来。

nn.Linear(28*28,128)(第一层全连接层):隐藏层首先输入784维，输出128维，然后再输入128维，输出256维，最后出层输入256维，输出10维。

通过第一个全连接层后，用sigmoid激活函数，引入非线性，通过第二个隐藏层再次用sigmoid函数激活。

1.4训练与优化

损失函数：nn.CrossEntroyLoss()交叉熵损失，非常适合多分类任务。

优化器：torch.optim.SGD随机梯度下降。

训练循环：将数据搬到GPU上（X.to(device))，进行前向传播计算预测值，计算损失，清空梯度，反向传播更新权重。

添加打印语句：每隔 100 个 batch 打印一次当前的 Loss，方便观察训练是否收敛。

二、训练结果

我设置了epochs = 10，使用 SGD 优化器（学习率为 0.01）。虽然只是个极其简单的网络，但在 MNIST 上的表现很稳定：

随着训练轮数增加，Loss值不断下降，最终的测试集准确率具体取决于激活函数和超参数。

三、优化建议

激活函数的选择：代码里用的是torch.sigmoid。在深层网络中sigmoid容易导致梯度消失。如果你想让模型学得更快，强烈建议换成torch.relu(ReLU激活函数），收敛速度会显著提升。