diff --git a/test.py b/test.py
index cf300b7..eed796d 100644
--- a/test.py
+++ b/test.py
@@ -9,28 +9,31 @@
 from losses import relu_evidence
 from helpers import rotate_img, one_hot_embedding, get_device
 
-
+#整体思路是加载一张图像，预处理后输入到深度学习模型中进行分类。根据是否启用不确定性分析，
+#代码会计算并输出预测结果、类别概率和不确定性值，并通过Matplotlib可视化结果。
 def test_single_image(model, img_path, uncertainty=False, device=None):
-    img = Image.open(img_path).convert("L")
+    img = Image.open(img_path).convert("L")#打开图像文件，并将其转换为灰度模式（"L"表示亮度）。
     if not device:
         device = get_device()
     num_classes = 10
     trans = transforms.Compose([transforms.Resize((28, 28)), transforms.ToTensor()])
+    # transforms.Compose用于将多个图像转换操作组合在一起。它允许用户按顺序应用一系列转换，以便在处理图像时简化代码。
+    #图像转换：定义一个图像转换序列：transforms.Resize((28, 28))：将图像调整为28x28像素。transforms.ToTensor()：将图像转换为PyTorch张量。
     img_tensor = trans(img)
-    img_tensor.unsqueeze_(0)
-    img_variable = Variable(img_tensor)
+    img_tensor.unsqueeze_(0)#在张量的第一个维度上增加一个维度，以便将其视为一个批次（batch）
+    img_variable = Variable(img_tensor)#将张量封装为 Variable，以便进行自动求导
     img_variable = img_variable.to(device)
 
     if uncertainty:
-        output = model(img_variable)
+        output = model(img_variable)#把处理好的图像数据传入模型得到输出
         evidence = relu_evidence(output)
         alpha = evidence + 1
         uncertainty = num_classes / torch.sum(alpha, dim=1, keepdim=True)
         _, preds = torch.max(output, 1)
-        prob = alpha / torch.sum(alpha, dim=1, keepdim=True)
+        prob = alpha / torch.sum(alpha, dim=1, keepdim=True)#计算类别概率：通过α值计算每个类别的概率。
         output = output.flatten()
         prob = prob.flatten()
-        preds = preds.flatten()
+        preds = preds.flatten()#展平张量：将输出、概率和预测类别展平为一维张量，以便后续处理。
         print("Predict:", preds[0])
         print("Probs:", prob)
         print("Uncertainty:", uncertainty)
@@ -38,14 +41,14 @@ def test_single_image(model, img_path, uncertainty=False, device=None):
     else:
 
         output = model(img_variable)
-        _, preds = torch.max(output, 1)
-        prob = F.softmax(output, dim=1)
-        output = output.flatten()
+        _, preds = torch.max(output, 1)#同样使用 torch.max 获取预测类别
+        prob = F.softmax(output, dim=1)#使用 F.softmax 计算每个类别的概率。
+        output = output.flatten()#展平一维
         prob = prob.flatten()
         preds = preds.flatten()
         print("Predict:", preds[0])
         print("Probs:", prob)
-
+    #作图
     labels = np.arange(10)
     fig = plt.figure(figsize=[6.2, 5])
     fig, axs = plt.subplots(1, 2, gridspec_kw={"width_ratios": [1, 3]})
@@ -69,21 +72,22 @@ def test_single_image(model, img_path, uncertainty=False, device=None):
 
 
 def rotating_image_classification(
-    model, img, filename, uncertainty=False, threshold=0.5, device=None
+    model, img, filename, uncertainty=False, threshold=0.5, device=None#threshold：阈值，默认为 0.5，可能用于过滤分类结果
 ):
     if not device:
         device = get_device()
-    num_classes = 10
-    Mdeg = 180
-    Ndeg = int(Mdeg / 10) + 1
-    ldeg = []
-    lp = []
-    lu = []
-    classifications = []
-
+    num_classes = 10#定义了分类的类别数量为 10。
+    Mdeg = 180#定义用于旋转的最大度数为 180。
+    Ndeg = int(Mdeg / 10) + 1#计算每次旋转的角度，每 10 度一个，共会有 19 个实验
+    ldeg = []#存储旋转角度。
+    lp = []#存储分类概率
+    lu = []#存储不确定性值
+    classifications = []#储存最终的分类结果
+    #初始化两个用于存储分类分数和图像数据的数组
     scores = np.zeros((1, num_classes))
     rimgs = np.zeros((28, 28 * Ndeg))
     for i, deg in enumerate(np.linspace(0, Mdeg, Ndeg)):
+    #使用 np.linspace 产生从 0 到 Mdeg 的 Ndeg 个均匀间隔的角度值。enumerate 会返回每个角度的索引 i 和角度 deg
         nimg = rotate_img(img.numpy()[0], deg).reshape(28, 28)
 
         nimg = np.clip(a=nimg, a_min=0, a_max=1)