本文用的测试代码：
from torchvision import transforms
from torchvision.datasets import FashionMNIST
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
#数据集准备
train_data = FashionMNIST(
root = "./data/FashionMNIST",
train = True,
transform = transforms.ToTensor(),
download = True #如果没下载数据，就下载数据；如果已经下载好，就换为False
)
test_data = FashionMNIST(
root = "./data/FashionMNIST",
train = False,
transform = transforms.ToTensor(),
download = True #如果没下载数据，就下载数据；如果已经下载好，就换为False
)
train_data_x=train_data.data
train_data_y=train_data.targets
test_data_x=test_data.data
test_data_y=test_data.targets
print(train_data_x.shape)
print(train_data_y.shape)
print(type(train_data_x))
print(type(train_data_y))
print(test_data_x.shape)
print(test_data_y.shape)
def function1(x):
for i in range(x):
print(i)
function1(7)一、debug环境介绍
点击这个爬虫就可开始debug
在debug前我们需要设置断点：（设置几个都行）
立即学习“Python免费学习笔记（深入）”；
进入debug后，左下角：
1）debugger里面可以看到存在的变量：
2）console里面可以我们一步步调试的过程，输出的结果会打印在里面：
二、debug按钮介绍
分别是
1）step over 快捷键：F8
2）step into 快捷键：F7
3）step into my code 快捷键： alt+shift+F7
4) step out 快捷键： shift+F8
2.1、step into:单步执行（遇到函数也是单步）
注意看蓝色的线变化（蓝色的线，代表即将被debug，但是还没有debug到）
刚我debug了两次，结果如下：
step into 遇到进了函数也是单步（以我们这里定义的循环打印函数为例）：
2.2、step over:单步执行（遇到函数，全部运行）
这个相比step over 就是函数里执行的区别：（step over 是直接执行完）
2.3、step into my code:（直接跳到下一个断点）
这个很好理解了，这里我有三个断点，所以会debug三次，然后结束：
2.4、step out : 执行完剩下的函数，并跳到上一层函数
就是之前在函数内部单步调试时，用step out 能一下执行完，返回到上一层函数。
用了之后，整个函数直接执行完，但进程未结束
看蓝色的线，返回到了上一层函数
