请在上述代码下面加入每类的准确率

可以使用混淆矩阵来计算每类的准确率，具体方法如下：

1. 对于每个类别i，将混淆矩阵的第i行作为该类别的预测结果，第i列作为该类别的真实结果。
2. 计算该类别的准确率，即正确预测的样本数除以总样本数。

以下是修改后的代码：

with torch.no_grad():
    true_labels = []
    predicted_labels = []
    for data in testloader:
        images, labels = data
        images = images.view(len(images), 1, 121).float()
        inputs, labels = images.to(device), labels.to(device)
        outputs = cnn(inputs)
        _, predicted = torch.max(outputs, 1)
        true_labels.append(labels.cpu().numpy())
        predicted_labels.append(predicted.cpu().numpy())
    true_labels = np.concatenate(true_labels)
    predicted_labels = np.concatenate(predicted_labels)
    cm = confusion_matrix(true_labels, predicted_labels, labels=[0, 1, 2, 3, 4])
    print(cm)
    for i in range(cm.shape[0]):
        acc = cm[i, i] / np.sum(cm[i])
        print("Class", i, "Accuracy:", acc)

运行结果应该类似于：

[[  7   1   0   0   0]
 [  0  27   1   0   0]
 [  0   0  30   0   0]
 [  0   0   0  27   1]
 [  0   1   0   1 100]]
Class 0 Accuracy: 0.875
Class 1 Accuracy: 0.9642857142857143
Class 2 Accuracy: 1.0
Class 3 Accuracy: 0.9642857142857143
Class 4 Accuracy: 0.9803921568627451

其中，每个类别的准确率均大于等于0，小于等于1，可以作为模型性能的重要指标之一。