PyTorch是一个广泛使用的深度学习框架，它提供了一种简单、灵活的方式来构建和训练神经网络。其中一个重要的特点是它提供了方便的途径来查看模型的loss和accuracy（准确率），这有助于我们了解模型的训练效果。在本文中，我们将介绍如何在PyTorch中使用查看loss和accuracy的功能，并通过示例突出其中的重点词汇或短语。
查看loss和accuracy是PyTorch中非常常用的功能。我们可以通过定义一个损失函数（loss function）和准确率计算器（accuracy calculator）来计算模型的loss和accuracy。损失函数用于度量模型预测值与真实值之间的差异，而准确率计算器用于确定模型在测试集上的表现。
在PyTorch中，loss和accuracy的查看通常在训练和测试循环中完成。在训练循环中，我们计算每个epoch的loss和accuracy，以了解模型在训练数据上的表现。在测试循环中，我们计算模型在测试集上的loss和accuracy，以了解模型在未见过的数据上的性能。
下面是一个简单的例子，演示如何在PyTorch中实现查看loss和accuracy的功能：
```python
import torch
import torch.nn as nn
import torch.optim as optim

定义模型

class Net(nn.Module):
def init(self):
super(Net, self).init()
self.fc1 = nn.Linear(10, 5)
self.fc2 = nn.Linear(5, 2)
def forward(self, x):
x = torch.relu(self.fc1(x))
x = self.fc2(x)
return x

定义损失函数和优化器

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

训练和测试循环

for epoch in range(100):

训练循环

trainloss = 0
train_acc = 0
for i, (inputs, labels) in enumerate(train_loader):
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
train_loss += loss.item() , predicted = torch.max(outputs, 1)
num_correct = (predicted == labels).sum().item()
train_acc += num_correct

测试循环

testloss = 0
test_acc = 0
with torch.no_grad():
for i, (inputs, labels) in enumerate(test_loader):
outputs = model(inputs)
loss = criterion(outputs, labels)
test_loss += loss.item() , predicted = torch.max(outputs, 1)
num_correct = (predicted == labels).sum().item()
test_acc += num_correct

输出每个epoch的loss和accuracy

print(f”Epoch {epoch+1}/{num_epochs}: train_loss={train_loss/len(train_loader):.4f}, train_acc={train_acc/len(train_loader):.4f}, test_loss={test_loss/len(test_loader):.4f}, test_acc={test_acc/len(test_loader):.4f}”)