本节课继续上节课的代码，接着讲了卷积神经网络在cifar10中的应用，系统的讲述了每段代码的含义，以及代码是如何实现的。讲述的是第一种方法，用来进行对神经网络数据加载器的处理

iter：内置函数、迭代器      testloader：用于加载数据   images，labels：照片，标签   make_grid：刻度

for循环，通过迭代i来进行对images（图像）和labels（标签）的返回数据；device是利用GPU或CPU来加速计算。

将图像数据以及标签数据利用设备device来进行计算，将数据输入到模型net中，调用net(images)，通过前向传播（正向传播）来进行对图像数据的处理并输出；torch.max是用于在指定维度上找到张量的最大值，1表示是在维度1上进行操作，该代码会返回两个值，一个是样本最大值（用占位符来接收），一个是predicted每个样本预测的类型索引；最后输出打印前四个样本元素类型。

这段代码是用于评估对于已经训练好的神经网络的准确率，correct是用于记录预测正确的样本数量，所以初始值为0，total是用于记录测试集中样本总数，所以初始值为0；for循环是遍历测试数据加载器testloader；从testloader中取出一个批次的数据，data是一个包含输入图像和对应标签的元组，将图像数据赋值给images，标签数据赋值给labels；total是当前样本数量累加和，之后计算预测正确的并进行对预测值的打印。

这段代码是计算输出一个分类模型在测试集上，创建两个长度为10的列表，分别记录每个类别预测正确的样本数和每个类别样本的总数量，关闭了梯度计算，第一个for循环遍历测试数据加载器，第二个for循环统计每个类别的正确预测数和总数，第三个for循环是计算并输出每个类别的准确率，发现10个样本中，准确率最高的是car，为73%，最低的是cat-28%

这段代码是定义了一个简单的卷积神经网络模型，并使其移动到合适的计算设备中，

第一个定义函数中：（conv卷积层，pool池化层，MaxPool最大池化层，aap/AdaptiveAvgPool自适应平均池化层，linear全连接层）三个数值对应RGB三个通道，env中为（输入通道，输出通道，卷积核大小），pool中为（池化核大小，步长），Linear（输入特征，输出特征）；

第二个定义函数中：为前向传播，先进行第一层卷积层，并应用relu激活函数，再进行第一次最大池化层..以此类推

最后打印输出神经网络net中参数的总数量为16022

这段代码主要是在深度学习训练过程中，设置损失函数和优化器相关的配置。LR是学习率，criterion为损失函数

下面的代码是使用pytorch框架训练神经网络的循环，用于在训练集上对神经网络进行多轮训练，并在训练过程中监控损失值

外层函数控制的是训练轮数，初始化损失累加值；内层循环是控制遍历训练数据加载器，获取到训练数据并移动到设备中，权重参数梯度设置为零，通过正向和反向传播，显示出损失值：损失值最小为0.976

这段代码是定义了一个函数，用于生成神经网络模型的参数摘要信息，包括每一层的输入形状、输出形状、参数数量以及是否可训练等