如深度学习中代码：

def train_epoch_ch3(net, train_iter, loss, updater):
    """The training loop defined in Chapter 3."""
    # Set the model to training mode
    if isinstance(net, torch.nn.Module):
        net.train()
    # Sum of training loss, sum of training accuracy, no. of examples
    metric = Accumulator(3)
    for X, y in train_iter:
        # Compute gradients and update parameters
        y_hat = net(X)
        l = loss(y_hat, y)
        if isinstance(updater, torch.optim.Optimizer):
            # Using PyTorch in-built optimizer & loss criterion
            updater.zero_grad()
            l.backward()
            updater.step()
            metric.add(float(l) * len(y), accuracy(y_hat, y), y.numel())
        else:
            # Using custom built optimizer & loss criterion
            l.sum().backward()
            updater(X.shape[0])
            metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
    # Return training loss and training accuracy
    return metric[0] / metric[2], metric[1] / metric[2]

对于循环for X, y in train_iter:每一次迭代都是一次小批量训练 

当用torch里的优化器来更新参数时，第一个if语句执行：

1.此时由于torch默认累计梯度，所以每次循环都得梯度置零

2.然后torch进行反向传播（如果是使用了torch定义的loss，那么得到的l是标量，即平均损失，次此时直接反向传播即可）。

如

loss = nn.CrossEntropyLoss(reduction='mean')，reduction='mean'意味着损失会返回均值，reduction理解成降维

而

loss = nn.CrossEntropyLoss(reduction='None')，reduction='None'意味着损失会返回原来的形式，即矢量

为什么不用总和形式呢？均值会好一点，因为每次训练有不同的batch_size（如果我把样本分成三个批量，一次训练中，首先用批量一训练，然后批量二，批量三，然后批量都训练完后，再进行新的一轮训练，直到收敛），用均值的话会默认使用l.sum()/batch_size，batch_size由内部求出，这个不用自己写，就实现了batch_size的解耦，不容易出错，更新参数时形式就变成了，因为此时的损失是均值了

3.进行参数更新

4.统计损失与精度，为什么要用float(l)*len(y)呢

 因为l=loss(y_hat,y)，这里的损失函数是从外部传进来的，所以如果传进来的是torch自己定义的损失函数，应该计算的是平均损失，那么要变成整体损失就得float(l)*len(y)。

如果loss是自己定义的，可能只是计算了损失，没求平均（看上面的函数，此时的loss应该是矢量，所以才会有l.sum()）

当自己实现优化器来更新参数时，else语句执行：

1.此时自己可能没实现累计梯度，所以不用梯度清零

2.反向传播，但由于此时自己实现了loss函数，可能loss是矢量，要转成标量来反向传播，一个矢量转标量的好方法就是求和，即l.sum().backward()，

3.更新参数，注意到updater传入了一个参数X.shape[0]，即样本数量batch_size，外边要注意更新参数时为，因为此时的l是总和

4.统计损失与精度

sum和mean其实主要影响了“梯度的大小”，反向传播时，依据损失求梯度，如果是sum，则梯度会比mean大n倍，那么在学习率不变的情况下，步子会迈得很长，体现到图形上就是正确率提升不了。所以需要缩小学习率。

l.mean().backward()和l.sum().backward()的区别在于它们计算梯度的方式。l.mean().backward()计算的是平均损失对权重的梯度，而l.sum().backward()计算的是总损失对权重的梯度。

在实践中，这两种方式通常会得到相似的结果，因为它们都是在尝试最小化损失。然而，使用l.mean().backward()可能会使得梯度的大小更稳定，因为它不会因为批量大小的变化而变化。这可能会使得训练过程更稳定，特别是在批量大小可能变化的情况下。

另一方面，使用l.sum().backward()可能会使得梯度的大小更大，这可能会导致训练过程更快，但也可能导致训练过程更不稳定。

总的来说，哪种方式更好取决于你的具体情况。如果你的批量大小是固定的，那么你可能会发现l.sum().backward()和l.mean().backward()在实践中没有太大的区别。如果你的批量大小可能变化，那么你可能会发现l.mean().backward()在实践中更稳定

补：总训练函数：

def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):
    """Train a model (defined in Chapter 3)."""
    animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
                        legend=['train loss', 'train acc', 'test acc'])
    for epoch in range(num_epochs):
        train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
        test_acc = evaluate_accuracy(net, test_iter)
        animator.add(epoch + 1, train_metrics + (test_acc,))
    train_loss, train_acc = train_metrics
    assert train_loss < 0.5, train_loss
    assert train_acc <= 1 and train_acc > 0.7, train_acc
    assert test_acc <= 1 and test_acc > 0.7, test_acc