一个epoch跑完的循环代码

以下是一个epoch跑完的循环代码示例：

# 训练循环
for epoch in range(num_epochs):
    # 迭代数据批次
    for i, (inputs, labels) in enumerate(train_loader):
        
        # 前向传播
        outputs = model(inputs)
        
        # 计算损失
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        # 每隔一定步数输出一次损失
        if (i+1) % print_every == 0:
            print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, total_step, loss.item()))

    # 在每个epoch结束时进行测试
    with torch.no_grad():
        correct = 0
        total = 0
        for inputs, labels in test_loader:
            outputs = model(inputs)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()

        accuracy = 100 * correct / total
        print('Accuracy of the model on the test images: {} %'.format(accuracy))

在这个示例中，我们使用了PyTorch框架来实现了一个简单的训练循环。在训练循环中，我们首先遍历数据集的每个epoch，然后在每个epoch中迭代数据批次。

对于每个数据批次，在前向传播之后，我们计算损失，并使用反向传播和优化器来更新模型的参数。

每隔一定步数，我们输出一次损失。在每个epoch结束时，我们使用测试集来评估模型的性能，并输出测试集准确率。