# 记录误差 test_loss = ? #计算测试准确率 ？ ？ ？ ？

在记录误差时，需要将模型在测试集上的损失计算出来并保存到变量test_loss中。具体代码如下：

# 计算测试集上的损失
model.eval()
test_loss = 0
with torch.no_grad():
    for inputs, labels in test_loader:
        inputs, labels = inputs.to(device), labels.to(device)
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        test_loss += loss.item() * inputs.size(0)

# 计算平均测试损失
test_loss /= len(test_loader.dataset)

# 打印测试损失
print('Test Loss: {:.6f}\n'.format(test_loss))

在计算测试准确率时，可以使用与计算训练准确率时相同的方法，即将模型预测的类别与实际标签进行比较，并计算正确预测的样本数占总样本数的比例。具体代码如下：

# 计算测试集上的准确率
model.eval()
test_acc = 0
with torch.no_grad():
    for inputs, labels in test_loader:
        inputs, labels = inputs.to(device), labels.to(device)
        outputs = model(inputs)
        _, preds = torch.max(outputs, 1)
        test_acc += torch.sum(preds == labels.data)

# 计算测试准确率
test_acc = test_acc.double() / len(test_loader.dataset)

# 打印测试准确率
print('Test Accuracy: {:.2%}\n'.format(test_acc))