這章節，我們將說明 train()的細部。
程式部分如下：

def train(args, model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        if (args['batch_num'] is not None) and batch_idx >= args['batch_num']:
            break
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % args['log_interval'] == 0:
            logger.info('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))

首先，傳進來的函數參數有：args, model, device, train_loader, optimizer, epoch。這些參數，在前面章節已經敘述過了，在此省略。

首先，我們要宣告model要做的事為訓練。

 model.train()

接下來，for loop 中，train_loader會一筆一筆的將資料匯進來，每筆資料的格式為 [batch_idx, (data, target)]。每批資料，都會有自己的索引，batch_index。If 的部分，判斷資料是否還在，不存在則跳離。
接著，我們將一筆train data、target(label)放入device中。(因為，model也在device中。大家要再一起，才能執行。)

 data, target = data.to(device), target.to(device)

然後，記得將optimizer歸零，否則會一直累加！

 optimizer.zero_grad()

再來將data餵入model中，得到 output。

  output = model(data)

接著計算output and target的差距，因為資料為 HxWxC是2D資料，適合用 nll_loss來計算 loss。

  loss = F.nll_loss(output, target)

而後回去計算神經網路叢裡的weights and bias。

 loss.backward()

接下來，根據learn rate and momentum，進行優化計算。(就是weights and bias的調整，讓loss得到最小值)
優化完畢後，將新的weights and bias取代原有的。

 optimizer.step()

再來的if，主要是在用於判斷執行幾圈，才進行logger的動作。得到的結果，大致類似如此：

[2021-09-18 15:34:21] INFO (mnist_AutoML/MainThread) Train Epoch: 10 [0/60000 (0%)]     Loss: 0.003544

下一個章節，我們將談到 test()