在PyTorch中，评估模型的准确率是非常重要的，因为它可以帮助我们了解模型在测试数据集上的表现。在这个教程中，我们将学习如何计算模型的准确率。

首先，我们需要加载测试数据集并准备好我们的模型。这里我们以一个简单的例子为例，使用一个简单的神经网络模型来对MNIST数据集进行分类。

import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms

# 加载MNIST数据集
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, ), (0.5, ))
])

test_dataset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=100, shuffle=False)

# 定义神经网络模型
class NeuralNet(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(NeuralNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, num_classes)
    
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

input_size = 784
hidden_size = 500
num_classes = 10
model = NeuralNet(input_size, hidden_size, num_classes)

接下来，我们将加载我们预训练好的模型，并在测试数据集上进行预测。

# 加载预训练模型
model.load_state_dict(torch.load('model.ckpt'))

# 测试模型准确率
model.eval()
correct = 0
total = 0
with torch.no_grad():
    for images, labels in test_loader:
        images = images.reshape(-1, 28*28)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy = correct / total
print('准确率: {:.2f}%'.format(100 * accuracy))

在上面的代码中，我们首先加载预训练好的模型，然后将模型设置为评估模式（model.eval()）。接着，我们迭代测试数据集，对每个样本进行预测，并计算准确率。最后，我们打印出模型的准确率。

这就是如何在PyTorch中计算模型的准确率。希望这个教程对你有所帮助！如果有任何疑问，请随时问我。