python AverageMeter()

`AverageMeter()`是一个在PyTorch中常用的工具类，用于计算平均值和标准差等统计量。通常用于训练神经网络时记录loss和accuracy等指标的平均值和标准差。它的主要作用是在训练过程中动态地计算统计量，便于实时监控训练过程和结果。

在使用`AverageMeter()`时，我们需要先创建一个对象，如`losses`，然后在每个batch训练完成后，通过调用`update()`方法更新统计量。最后，通过调用`avg()`方法获取平均值。

下面是一个简单的示例：

import torch
from torch import nn
from utils import AverageMeter

losses = AverageMeter()

for i, (images, labels) in enumerate(train_loader):
    # 计算loss
    outputs = model(images)
    loss = criterion(outputs, labels)
    
    # 更新losses统计量
    losses.update(loss.item(), images.size(0))
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 输出平均loss
print('Average loss: {:.4f}'.format(losses.avg()))

在上面的示例中，我们创建了一个`losses`对象，然后在每个batch训练完成后，通过调用`update()`方法更新loss的统计量。最后，通过调用`avg()`方法获取平均loss值，并输出到控制台。