torch 训练lstm模型统计准确度

在训练LSTM模型时，可以通过计算预测结果与真实结果之间的准确度来评估模型的性能。具体步骤如下：

1. 在训练循环中，使用模型进行预测，并将预测结果与真实结果进行比较。

2. 计算预测结果与真实结果之间的准确度。可以使用torch.eq()函数将预测结果和真实结果进行比较，然后使用torch.mean()函数计算准确度。

3. 可以在每个epoch结束时，输出模型在训练集和测试集上的准确度，以便进行性能比较和监控。

以下是一个示例代码：

# 定义模型和优化器
model = LSTMModel()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 定义损失函数
criterion = nn.CrossEntropyLoss()

# 训练循环
for epoch in range(num_epochs):
    # 训练集上的训练
    train_loss = 0.0
    train_correct = 0
    model.train()
    for inputs, labels in train_loader:
        # 前向传播
        outputs = model(inputs)
        # 计算损失
        loss = criterion(outputs, labels)
        # 反向传播
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        # 统计准确度和损失
        _, predicted = torch.max(outputs.data, 1)
        train_correct += (predicted == labels).sum().item()
        train_loss += loss.item() * inputs.size(0)
        
    # 测试集上的评估
    test_loss = 0.0
    test_correct = 0
    model.eval()
    with torch.no_grad():
        for inputs, labels in test_loader:
            # 前向传播
            outputs = model(inputs)
            # 计算损失
            loss = criterion(outputs, labels)
            # 统计准确度和损失
            _, predicted = torch.max(outputs.data, 1)
            test_correct += (predicted == labels).sum().item()
            test_loss += loss.item() * inputs.size(0)
    
    # 输出训练和测试集上的准确度和损失
    train_loss /= len(train_dataset)
    train_acc = train_correct / len(train_dataset)
    test_loss /= len(test_dataset)
    test_acc = test_correct / len(test_dataset)
    print('Epoch [{}/{}], Train Loss: {:.4f}, Train Acc: {:.4f}, Test Loss: {:.4f}, Test Acc: {:.4f}'.format(epoch+1, num_epochs, train_loss, train_acc, test_loss, test_acc))

在该示例中，`train_correct`和`test_correct`分别用于统计模型在训练集和测试集上的正确预测数量。在每个epoch结束时，通过除以总样本数来计算准确度。在输出时，使用`{:.4f}`来保留四位小数。