训练循环
神经网络学习的核心流程——前向传播算预测、损失函数量化误差、反向传播算梯度、更新参数，四步一轮反复执行直到收敛。就像练字帖：写一遍→对比差距→分析哪里歪→下一遍调整。
一句话版本
前向传播 → 算损失 → 反向传播 → 更新参数，四步一轮，重复直到模型学会。
四步节拍
每一次训练迭代包含四个步骤：
- 前向传播：把数据喂进网络，算出预测值
- 计算损失：用损失函数量化"预测离真实答案差多远"
- 反向传播：用链式法则算出每个参数的梯度
- 更新参数：沿梯度反方向调整参数，w←w−α⋅∂w∂L
四步走完算"一步（step）"。把这一步重复成千上万次，损失一点点减小，模型一点点学会。
为什么重复有效
每一步只调整一点点（由学习率控制），但方向是对的（由梯度指引）。就像练投篮——每次投完根据落点调整姿势，投一万次后命中率自然提高。
代码中的训练循环
在 PyTorch 中，训练循环就是一个 for 循环，循环体内依次调用 model(x)（前向）、criterion()（损失）、loss.backward()（反向）、optimizer.step()（更新）。