给出一个深度学习中统计测试集上的混淆矩阵的代码示例，要求用pytorch

以下是一个使用PyTorch计算测试集混淆矩阵的示例代码：

import torch
import numpy as np

# 定义模型及测试数据
model = YourModel()
test_loader = YourTestDataLoader()

# 定义混淆矩阵
num_classes = len(test_loader.dataset.classes)
confusion_matrix = torch.zeros(num_classes, num_classes)

# 设置模型为评估模式
model.eval()

# 遍历测试数据集
with torch.no_grad():
    for inputs, targets in test_loader:
        # 将数据放入GPU
        inputs = inputs.cuda()
        targets = targets.cuda()

        # 进行预测
        outputs = model(inputs)
        _, preds = torch.max(outputs, 1)

        # 更新混淆矩阵
        for t, p in zip(targets.view(-1), preds.view(-1)):
            confusion_matrix[t.long(), p.long()] += 1

# 打印混淆矩阵
confusion_matrix = confusion_matrix.numpy()
print(confusion_matrix)

其中，`YourModel`和`YourTestDataLoader`需要根据你的具体代码进行替换。这段代码通过遍历测试数据集，依次计算每个样本的预测结果，并更新混淆矩阵。最后打印出混淆矩阵的结果。