实验环境针对上周的bug：返回的是当前这个 batch（一小撮图片）的 loss 和 accuracy。一个 epoch 包含 340 个 batches，每个 batch 的表现都忽高忽低。原代码像是在终点线只看最后一名选手的成绩，在循环结束后直接把最后一份数据存入history。由于train_loss在循环中不断被新值“覆盖”，导致最终记录的仅仅是最后一个batch的数值，而非整场比赛的平均

实验环境知道了可以通过与tqdm的配合使用来自定义训练循环。不同于fit()函数，允许我在每一个 Batch 迭代中精准控制梯度更新，并实时获取当前的 Loss 和准确率。配合tqdm进度条，能直观的看到通过实时监控学习率衰减对收敛的影响，从而能即时分析模型训练情况。为了缓解 VGG-16 庞大参数量带来的过拟合问题，我在全连接层中加入了，通过随机失活神经元迫使模型学习更具泛化性的特征，而非死记硬