计算验证集的val_loss并将其写入空列表的代码，然后绘制val_loss曲线

好的，以下是计算验证集的val_loss并将其写入空列表，并绘制val_loss曲线的代码实现：

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

# 定义模型、损失函数、优化器等

# 新建一个空的val_loss列表
val_loss = []

# 计算验证集的val_loss并写入列表中
for epoch in range(num_epochs):
    # 在每个epoch结束后，计算验证集上的loss，并将其写入val_loss列表中
    model.eval()  # 将模型设置为评估模式
    running_loss = 0.0
    with torch.no_grad():
        for data in val_loader:
            inputs, labels = data
            inputs, labels = inputs.to(device), labels.to(device)
            outputs = model(inputs)
            loss = criterion(outputs, labels)
            running_loss += loss.item() * inputs.size(0)
    val_loss.append(running_loss / len(val_loader.dataset))

# 绘制val_loss图
plt.plot(val_loss)
plt.title('Validation Loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.show()

其中，`model`是你要计算验证集上的loss的模型，`val_loader`是验证集的数据加载器，`criterion`是你在训练模型时所使用的损失函数。这个代码的作用是计算验证集上每个epoch的平均loss，并将其添加到val_loss列表中，最后绘制val_loss曲线。