EPOCHS = 10 # TODO：完成完整的训练过程 for epoch in range(EPOCHS): ...... # TODO：输出本周期所有批次训练(或测试)数据的平均loss和accuracy ......

在深度学习中，`EPOCHS`通常表示模型会完整遍历训练数据集多少次的轮数。在训练过程中，每个epoch包含以下几个步骤：

1. **前向传播** (Feedforward): 模型将输入数据通过每一层直至输出预测值，同时计算损失。

2. **反向传播** (Backpropagation): 根据当前批次的损失，计算权重更新梯度，优化模型参数以减小损失。

3. **优化器更新** (Optimizer Update): 使用梯度下降或其他优化算法，按照反向传播得到的梯度调整模型参数。

4. **训练指标计算** (Training Metrics): 计算平均每批次的损失和精度（如准确率），这是评估模型在训练阶段性能的关键指标。

5. **(可选)** **验证** (Validation): 如果有验证集，会在每个epoch结束后对验证集执行一次前向传播和计算指标，用于监控模型是否过拟合。

在这个示例中，`for epoch in range(EPOCHS):` 遍历了整个训练循环。在循环内部，你需要填充的内容包括：

# 训练
train_loss = 0.0
train_acc = 0.0
for inputs, labels in train_dataloader:
    with torch.no_grad():
        outputs = model(inputs)
        loss = criterion(outputs, labels)
    
    # 可能需要手动累积batch-level metrics
    train_loss += loss.item()
    _, preds = torch.max(outputs.data, dim=1)
    train_acc += torch.sum(preds == labels).item()

# 求平均值并打印结果
avg_train_loss = train_loss / len(train_dataloader)
avg_train_acc = train_acc / len(train_dataloader)

print(f"Epoch {epoch + 1}/{EPOCHS}, Train Loss: {avg_train_loss:.4f}, Train Accuracy: {avg_train_acc * 100:.2f}%")

# 可能还包括验证部分
val_loss = 0.0
val_acc = 0.0
for val_inputs, val_labels in val_dataloader:
    ... # 进行相似的操作，但不更新权重

avg_val_loss = val_loss / len(val_dataloader)
avg_val_acc = val_acc / len(val_dataloader)
print(f"Epoch {epoch + 1}/{EPOCHS}, Validation Loss: {avg_val_loss:.4f}, Validation Accuracy: {avg_val_acc * 100:.2f}%")