- 彩色和灰度图片测试和训练的规范写法：
封装在函数中
由于彩色图（3 通道）和灰度图（1 通道）的输入格式不同，但训练 / 测试的核心逻辑（前向传播、损失计算、指标评估）是通用的，因此需将训练、测试逻辑封装为独立函数，实现 "一次编写、多场景复用"。
- 展平操作：除第一个维度 batchsize 外全部展平
展平操作用于将多维特征转换为一维向量，以便输入全连接层（全连接层仅接受一维输入）。
核心规则：保留第 0 维（batchsize），将后续所有维度展平为一维。
常用实现方式
torch.flatten(input, start_dim=1)：从start_dim开始展平；
torch.view(-1, num_features)：通过形状变换展平（需手动计算展平后的特征数）。
- dropout 操作：训练阶段随机丢弃神经元，测试阶段 eval 模式关闭 dropout
Dropout是防止过拟合的常用方法，其训练 / 测试阶段的行为不同：
训练阶段：随机丢弃一部分神经元，迫使模型学习更鲁棒的特征；
测试阶段：不丢弃神经元（否则会降低模型性能），但需将所有神经元的输出乘以(1-p)，保证输出分布与训练阶段一致。
如何自动切换 dropout 状态？
PyTorch 中通过model.train()和model.eval()自动控制：
model.train()：切换到训练模式，启用 dropout；
model.eval()：切换到测试模式，关闭 dropout（同时固定 BatchNorm 的均值 / 方差）。
作业：
