diff --git a/test.py b/test.py
new file mode 100644
index 0000000..8ca155c
--- /dev/null
+++ b/test.py
@@ -0,0 +1,95 @@
+import matplotlib
+import torch
+from torch.utils.data import DataLoader
+from torchvision import transforms
+from torchvision.datasets import MNIST
+import matplotlib.pyplot as plt
+matplotlib.use('TkAgg')
+
+# 神经网络类 主体
+class Net(torch.nn.Module):
+    def __init__(self):
+        super().__init__()
+        # 四个全连接层
+        self.fc1 = torch.nn.Linear(28 * 28, 64)  # 输入28*28像素的图像 64个节点
+        self.fc2 = torch.nn.Linear(64, 64)
+        self.fc3 = torch.nn.Linear(64, 64)
+        self.fc4 = torch.nn.Linear(64, 10)  # 输出十个数字类别
+
+    def forward(self, x):  # x：图像输入
+        # 每层首先做全连接线性计算 self.fc1 再套上激活函数torch.nn.functional.relu
+        x = torch.nn.functional.relu(self.fc1(x))
+        x = torch.nn.functional.relu(self.fc2(x))
+        x = torch.nn.functional.relu(self.fc3(x))
+        # 输出层通过softmax进行归一化
+        x = torch.nn.functional.log_softmax(self.fc4(x), dim=1)
+        return x
+
+
+# 下载MNIST数据集 导入数据
+def get_data_loader(is_train):
+    # tensor 多维数组 张量
+    to_tensor = transforms.Compose([transforms.ToTensor()])
+    """
+    第一个参数：''标识数据集下载位置 空表示下载到当前目录
+    is_train:指定导入训练集
+    """
+    data_set = MNIST('', is_train, transform=to_tensor, download=True)
+    # batch_size：一个批次包含15张图片  shuffle=True：数据随机打乱
+    return DataLoader(data_set, batch_size=15, shuffle=True)  # 返回数据加载器DataLoader（）
+
+
+# 评估神经网络识别正确率
+def evaluate(test_data, net):
+    # 正确预测数量
+    n_correct = 0
+    # 预测总数
+    n_total = 0
+    with torch.no_grad():
+        # 从测试集依次取出数据
+        for (x, y) in test_data:
+            # 计算神经网络预测值
+            outputs = net.forward(x.view(-1, 28 * 28))
+            # 对批次结果进行比较
+            for i, output in enumerate(outputs):
+                # 累加正确预测的数量 argmax 计算数列中最大结果，即预测的手写数字结果
+                if torch.argmax(output) == y[i]:
+                    n_correct += 1
+                n_total += 1
+    # 返回预测正确率
+    return n_correct / n_total
+
+
+def main():
+    # 导入训练集
+    train_data = get_data_loader(is_train=True)
+    # 导入测试集
+    test_data = get_data_loader(is_train=False)
+    # 初始化神经网络
+    net = Net()
+    # 打印最开始的时候的正确率 约为0.1左右
+    print('初始神经网络正确率:', evaluate(test_data, net))
+    optimizer = torch.optim.Adam(net.parameters(), lr=0.001)
+    # epoch：轮次 反复使用train_data进行训练神经网络，提高训练集利用率
+    for epoch in range(2):
+        for (x, y) in train_data:
+            net.zero_grad()  # 初始化
+            output = net.forward(x.view(-1, 28 * 28))  # 正向传播
+            # nll_lose 对数损失函数 与前的softmax对数计算进行对应
+            loss = torch.nn.functional.nll_loss(output, y)  # 计算差值
+            loss.backward()  # 反向误差传播
+            optimizer.step()  # 优化网络参数
+        print('第', epoch+1, '次训练后准确率：', evaluate(test_data, net))
+    #    随机抽取三张图象显示网络预测结果
+    for (n, (x, _)) in enumerate(test_data):
+        if n > 2:
+            break
+        predict = torch.argmax(net.forward(x[0].view(-1, 28 * 28)))
+        plt.figure(n)
+        plt.imshow(x[0].view(28, 28))
+        plt.title('prediction:' + str(int(predict)))
+    plt.show()
+
+
+if __name__ == '__main__':
+    main()