基于pytorch调用训练好的五分类模型并写出混淆矩阵代码

假设训练好的五分类模型的输出是一个大小为`(batch_size, 5)`的张量，每一行对应一个样本，每一列表示一个类别的概率，那么可以使用以下代码计算混淆矩阵：

import torch
from sklearn.metrics import confusion_matrix

# 加载模型
model = torch.load('path/to/model')

# 设置模型为评估模式
model.eval()

# 加载测试数据
test_data = ...

# 预测测试数据的标签
with torch.no_grad():
    outputs = model(test_data)
    predicted_labels = torch.argmax(outputs, dim=1)

# 计算混淆矩阵
true_labels = ...
confusion = confusion_matrix(true_labels, predicted_labels, labels=[0, 1, 2, 3, 4])
print(confusion)

在上面的代码中，`confusion_matrix`函数从`sklearn.metrics`模块中导入，用于计算混淆矩阵。首先加载训练好的模型，并将其设置为评估模式。然后加载测试数据，并使用模型预测测试数据的标签。最后，将真实标签`true_labels`和预测标签`predicted_labels`传递给`confusion_matrix`函数，以计算混淆矩阵。其中，`labels`参数用于指定类别的顺序。最后打印混淆矩阵即可。