torch里面有什么函数可以直接输出识别准确率和损失吗

在PyTorch中，通常使用nn.CrossEntropyLoss计算损失，使用torch.max函数找到预测的类别，然后通过比较预测的类别和真实标签计算准确率。以下是一个示例代码：

import torch
import torch.nn as nn

# 定义模型和损失函数
model = nn.Linear(10, 2)
criterion = nn.CrossEntropyLoss()

# 定义优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, labels)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 计算准确率
    _, predicted = torch.max(outputs.data, 1)
    total = labels.size(0)
    correct = (predicted == labels).sum().item()
    accuracy = correct / total

    # 输出结果
    print('Epoch [{}/{}], Loss: {:.4f}, Accuracy: {:.2f}%'
          .format(epoch+1, num_epochs, loss.item(), accuracy*100))

在上面的代码中，我们使用torch.max函数找到每个样本的预测类别，并使用(predicted == labels).sum().item()计算正确分类的样本数。然后我们将正确分类的样本数除以总样本数，以得出准确率。