PyTorchNet从TorchNet迁移而来，其中提供了很多有用的工具，例如meter，meter提供了一些轻量级的工具，帮助用户快速计算训练过程中的一些指标。
AverageValueMeter能够计算所有数的平均值和标准差，同意几个epoch中损失的平均值。
ClassErrorMeter能够计算每个epoch下的类别错误率，在分类任务经常使用。
下面我们介绍下如何使用AverageValueMeter()这个方法计算每个epoch的损失值，对于这个目的，我们可以通过定义变量，然后不断累加每个批次的数据，然后进行计算，但是现在有一个更好的工具，可以帮助我们实现这个操作。
首先使用meter.AverageValueMeter()实例化一个类，该类可以想成内部有一个集合，里面会保存一些数据，并定义一些方法能够对这些数据进行处理来满足我们的要求，说白了就是把我们正常计算指标的代码封装到一个类中。
loss_meter = meter.AverageValueMeter()
我们只需要调用类的add函数不断将数据添加到其中即可，该函数有一个参数，为待添加的标量值，这里我们添加的是每个epoch的损失值。
loss_meter.add(loss.item())
然后等一个epoch的所有结果全部填入其中之后，就可以使用loss_meter.value获得结果
loss_meter.mean
而且还需要注意一个问题，当我们处理完一个epoch之后，需要清空当前的信息，只需要调用reset()即可。
下面使用一个示例来说明如何使用：
for epoch in range(20):
model.train()
for data in tqdm(train_loader):
images, labels = data
optimizer.zero_grad()
output = model(images)
loss = loss_function(output, labels)
loss.backward()
optimizer.step()
loss_meter.add(loss.item())
error_meter.add(output.detach(), labels)
# 打印信息
print("【EPOCH: 】%s" % str(epoch + 1))
print("训练集损失为%s" % (str(loss_meter.mean)))
print("训练集精度为%s" % (str(100 - error_meter.value()[0]) + '%'))
loss_meter.reset()
error_meter.reset()
model.eval（)
for data in tqdm(val_loader):
images, labels = data
optimizer.zero_grad()
output = model(images)
loss = loss_function(output, labels)
loss.backward()
optimizer.step()
loss_meter.add(loss.item())
error_meter.add(output.detach(), labels)
print("【EPOCH: 】%s" % str(epoch + 1))
print("验证集损失为%s" % (str(loss_meter.mean)))
print("验证集精度为%s" % (str(100 - error_meter.value()[0]) + '%'))
loss_meter.reset()
error_meter.reset()
