如何用pytorch一边训练一边测试精度

要在 PyTorch 中一边训练一边测试精度，你可以在每个训练步骤之后评估模型的性能。以下是一个基本的示例代码：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        # 定义模型结构

    def forward(self, x):
        # 定义前向传播逻辑
        return x

# 实例化模型
model = Model()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001)

# 训练和测试循环
for epoch in range(num_epochs):
    # 训练阶段
    model.train()
    
    for data in train_loader:
        inputs, labels = data
        
        optimizer.zero_grad()
        
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        
        loss.backward()
        optimizer.step()
        
    # 测试阶段
    model.eval()
    
    correct = 0
    total = 0
    
    with torch.no_grad():
        for data in test_loader:
            inputs, labels = data
            
            outputs = model(inputs)
            _, predicted = torch.max(outputs.data, 1)
            
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
    
    accuracy = correct / total
    print(f"Epoch {epoch+1}: Accuracy = {accuracy}")

在这个示例代码中，首先定义了一个自定义的模型类 `Model`，并实例化了模型对象 `model`。然后，定义了损失函数（这里使用交叉熵损失）和优化器（这里使用随机梯度下降）。接下来，使用一个循环来进行训练和测试。

在训练阶段，将模型设置为训练模式（`model.train()`），然后通过遍历训练数据加载器进行前向传播、计算损失、反向传播和优化参数。

在测试阶段，将模型设置为评估模式（`model.eval()`），然后通过遍历测试数据加载器进行前向传播并计算准确率。通过将正确预测的样本数量除以总样本数，得到准确率。

在每个 epoch 结束后，打印出当前的准确率。

这样，你就可以在 PyTorch 中一边训练一边测试模型的精度。请注意，代码中的 `train_loader` 和 `test_loader` 是你需要自己定义的训练数据和测试数据的数据加载器。