配置损失函数：使用交叉熵损失函数（nn.CrossEntropyLoss）。 配置优化器：使用 Adam 优化器（optim.Adam）。这些没有在代码中体现，请补充完整

当然，以下是完整的模型训练部分，包括配置损失函数和优化器：

# Step 2: 模型训练

# 定义损失函数（交叉熵）
loss_function = nn.CrossEntropyLoss()

# 使用Adam优化器
optimizer = optim.Adam(model.parameters(), lr=0.001)  # 设置学习率为0.001，默认的betas=(0.9, 0.999)，eps=1e-8

# 训练循环
for epoch in range(num_epochs):  # 假设num_epochs是你想要的训练轮数
    running_loss = 0.0
    for inputs, labels in train_iterator:
        inputs = inputs.to(device)
        labels = labels.to(device)

        # 清零梯度
        optimizer.zero_grad()

        # 前向传播
        outputs = model(inputs)
        _, predicted = torch.max(outputs.data, 1)
        loss = loss_function(outputs, labels)

        # 反向传播并更新权重
        loss.backward()
        optimizer.step()

        # 打印训练信息
        running_loss += loss.item()
    average_train_loss = running_loss / len(train_iterator)
    print(f"Epoch [{epoch + 1}/{num_epochs}], Average Training Loss: {average_train_loss:.4f}")

    # 测试模型
    with torch.no_grad():
        running_test_loss = 0.0
        correct = 0
        total = 0
        for inputs, labels in test_iterator:
            inputs = inputs.to(device)
            labels = labels.to(device)

            outputs = model(inputs)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()

        average_test_loss = running_test_loss / len(test_iterator)
        accuracy = correct / total
        print(f"Epoch [{epoch + 1}/{num_epochs}], Average Test Loss: {average_test_loss:.4f}, Accuracy: {accuracy*100:.2f}%")

这里我们设置了`num_epochs`为训练的轮数，并在每个epoch结束后计算平均训练和测试损失，以及测试精度。`loss_function`和`optimizer`分别代表了交叉熵损失函数和Adam优化器。