使用适当数量的输入参数创建一个新模型。 要求1：使用PyTorch 的nn 模块 要求2：区分训练集和测试集 要求3：对训练过程中的损失、错误率进行图表形式描述，测试集结果（准确率）绘制图像。

在PyTorch中创建一个新模型并利用适当的输入参数进行训练，可以分为以下几个步骤：

1. **创建模型**:
首先，你需要从`nn.Module`类派生出你的自定义模型。例如，如果你正在构建一个简单的线性分类器，你可以这样做：

import torch.nn as nn

class CustomModel(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(CustomModel, self).__init__()
        self.fc1 = nn.Linear(input_dim, hidden_dim)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_dim, output_dim)

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        return self.fc2(out)

在这个例子中，`input_dim`是你数据的特征维度，`hidden_dim`是隐藏层神经元的数量，`output_dim`是分类的类别数。

2. **划分数据集**:
分离数据集到训练集和测试集是非常重要的。你可以使用torch库中的`random_split`函数：

from torch.utils.data import random_split

train_size = int(0.8 * len(dataset)) # 80%用于训练，20%用于测试
train_dataset, val_dataset = random_split(dataset, [train_size, len(dataset) - train_size])

3. **创建数据加载器**:
对训练集和测试集应用批处理，并创建`DataLoader`实例：

train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=False)

4. **模型训练**:
定义损失函数（如交叉熵损失）和优化器（如Adam），然后在每个epoch运行训练循环，记录损失和验证准确率：

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

for epoch in range(num_epochs):
    running_loss = 0.0
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

    with torch.no_grad():
        correct = 0
        total = 0
        for inputs, labels in val_loader:
            predictions = model(inputs)
            _, predicted = torch.max(predictions.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()

    train_loss = running_loss / len(train_loader)
    val_accuracy = correct / total

    print(f"Epoch {epoch+1}/{num_epochs}, Train Loss: {train_loss:.4f}, Val Accuracy: {val_accuracy*100:.2f}%")

5. **可视化**:
可以使用Matplotlib或TensorBoard等库来画出训练过程中损失和验证准确率随时间的变化图，以及测试集的准确率图像。