当前位置：首页 > news >正文

Day49 Python打卡训练营

news 2025/6/10 11:21:49

知识点回顾：
1.通道注意力模块复习
2.空间注意力模块
3.CBAM的定义

cbam模块介绍

cbam注意力

之前我们介绍了se通道注意力，我们说所有的模块本质上只是对特征进一步提取，今天进一步介绍cbam注意力

CBAM 是一种能够集成到任何卷积神经网络架构中的注意力模块。它的核心目标是通过学习的方式，自动获取特征图在通道和空间维度上的重要性，进而对特征图进行自适应调整，增强重要特征，抑制不重要特征，提升模型的特征表达能力和性能。简单来说，它就像是给模型装上了 “智能眼镜”，让模型能够更精准地看到图像中关键的部分

CBAM 由两个主要部分组成：通道注意力模块（Channel Attention Module）和空间注意力模块（Spatial Attention Module）。这两个模块顺序连接，共同作用于输入的特征图。

SE 通道注意力的局限：仅关注 “哪些通道重要”，未考虑 “重要信息在空间中的位置”。 CBAM 的突破：通道注意力（Channel Attention）：分析 “哪些通道的特征更关键”（如图像中的颜色、纹理通道）。空间注意力（Spatial Attention）：定位 “关键特征在图像中的具体位置”（如物体所在区域）。二者结合：让模型同时学会 “关注什么” 和 “关注哪里”，提升特征表达能力。

输入特征图 → 通道注意力模块 → 空间注意力模块 → 输出增强后的特征图

轻量级设计：仅增加少量计算量（全局池化 + 简单卷积），适合嵌入各种 CNN 架构（如 ResNet、YOLO）。即插即用：无需修改原有模型主体结构，直接作为模块插入卷积层之间。双重优化：同时提升通道和空间维度的特征质量，尤其适合复杂场景（如小目标检测、语义分割）。

这些模块相较于cnn都属于即插即用

import torch
import torch.nn as nn# 定义通道注意力
class ChannelAttention(nn.Module):def __init__(self, in_channels, ratio=16):"""通道注意力机制初始化参数:in_channels: 输入特征图的通道数ratio: 降维比例，用于减少参数量，默认为16"""super().__init__()# 全局平均池化，将每个通道的特征图压缩为1x1，保留通道间的平均值信息self.avg_pool = nn.AdaptiveAvgPool2d(1)# 全局最大池化，将每个通道的特征图压缩为1x1，保留通道间的最显著特征self.max_pool = nn.AdaptiveMaxPool2d(1)# 共享全连接层，用于学习通道间的关系# 先降维（除以ratio），再通过ReLU激活，最后升维回原始通道数self.fc = nn.Sequential(nn.Linear(in_channels, in_channels // ratio, bias=False),  # 降维层nn.ReLU(),  # 非线性激活函数nn.Linear(in_channels // ratio, in_channels, bias=False)   # 升维层)# Sigmoid函数将输出映射到0-1之间，作为各通道的权重self.sigmoid = nn.Sigmoid()def forward(self, x):"""前向传播函数参数:x: 输入特征图，形状为 [batch_size, channels, height, width]返回:调整后的特征图，通道权重已应用"""# 获取输入特征图的维度信息，这是一种元组的解包写法b, c, h, w = x.shape# 对平均池化结果进行处理：展平后通过全连接网络avg_out = self.fc(self.avg_pool(x).view(b, c))# 对最大池化结果进行处理：展平后通过全连接网络max_out = self.fc(self.max_pool(x).view(b, c))# 将平均池化和最大池化的结果相加并通过sigmoid函数得到通道权重attention = self.sigmoid(avg_out + max_out).view(b, c, 1, 1)# 将注意力权重与原始特征相乘，增强重要通道，抑制不重要通道return x * attention #这个运算是pytorch的广播机制

## 空间注意力模块
class SpatialAttention(nn.Module):def __init__(self, kernel_size=7):super().__init__()self.conv = nn.Conv2d(2, 1, kernel_size, padding=kernel_size//2, bias=False)self.sigmoid = nn.Sigmoid()def forward(self, x):# 通道维度池化avg_out = torch.mean(x, dim=1, keepdim=True)  # 平均池化：(B,1,H,W)max_out, _ = torch.max(x, dim=1, keepdim=True)  # 最大池化：(B,1,H,W)pool_out = torch.cat([avg_out, max_out], dim=1)  # 拼接：(B,2,H,W)attention = self.conv(pool_out)  # 卷积提取空间特征return x * self.sigmoid(attention)  # 特征与空间权重相乘

## CBAM模块
class CBAM(nn.Module):def __init__(self, in_channels, ratio=16, kernel_size=7):super().__init__()self.channel_attn = ChannelAttention(in_channels, ratio)self.spatial_attn = SpatialAttention(kernel_size)def forward(self, x):x = self.channel_attn(x)x = self.spatial_attn(x)return x

# 测试下通过CBAM模块的维度变化
# 输入卷积的尺寸为
# 假设输入特征图：batch=2，通道=512，尺寸=26x26
x = torch.randn(2, 512, 26, 26) 
cbam = CBAM(in_channels=512)
output = cbam(x)  # 输出形状不变：(2, 512, 26, 26)
print(f"Output shape: {output.shape}")  # 验证输出维度

Output shape: torch.Size([2, 512, 26, 26])

cnn+cbam训练

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
import numpy as np# 设置中文字体支持
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题# 检查GPU是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")# 数据预处理（与原代码一致）
train_transform = transforms.Compose([transforms.RandomCrop(32, padding=4),transforms.RandomHorizontalFlip(),transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),transforms.RandomRotation(15),transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))
])test_transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))
])# 加载数据集（与原代码一致）
train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=train_transform)
test_dataset = datasets.CIFAR10(root='./data', train=False, transform=test_transform)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

使用设备: cuda

Files already downloaded and verified

# 定义带有CBAM的CNN模型
class CBAM_CNN(nn.Module):def __init__(self):super(CBAM_CNN, self).__init__()# ---------------------- 第一个卷积块（带CBAM） ----------------------self.conv1 = nn.Conv2d(3, 32, kernel_size=3, padding=1)self.bn1 = nn.BatchNorm2d(32) # 批归一化self.relu1 = nn.ReLU()self.pool1 = nn.MaxPool2d(kernel_size=2)self.cbam1 = CBAM(in_channels=32)  # 在第一个卷积块后添加CBAM# ---------------------- 第二个卷积块（带CBAM） ----------------------self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)self.bn2 = nn.BatchNorm2d(64)self.relu2 = nn.ReLU()self.pool2 = nn.MaxPool2d(kernel_size=2)self.cbam2 = CBAM(in_channels=64)  # 在第二个卷积块后添加CBAM# ---------------------- 第三个卷积块（带CBAM） ----------------------self.conv3 = nn.Conv2d(64, 128, kernel_size=3, padding=1)self.bn3 = nn.BatchNorm2d(128)self.relu3 = nn.ReLU()self.pool3 = nn.MaxPool2d(kernel_size=2)self.cbam3 = CBAM(in_channels=128)  # 在第三个卷积块后添加CBAM# ---------------------- 全连接层 ----------------------self.fc1 = nn.Linear(128 * 4 * 4, 512)self.dropout = nn.Dropout(p=0.5)self.fc2 = nn.Linear(512, 10)def forward(self, x):# 第一个卷积块x = self.conv1(x)x = self.bn1(x)x = self.relu1(x)x = self.pool1(x)x = self.cbam1(x)  # 应用CBAM# 第二个卷积块x = self.conv2(x)x = self.bn2(x)x = self.relu2(x)x = self.pool2(x)x = self.cbam2(x)  # 应用CBAM# 第三个卷积块x = self.conv3(x)x = self.bn3(x)x = self.relu3(x)x = self.pool3(x)x = self.cbam3(x)  # 应用CBAM# 全连接层x = x.view(-1, 128 * 4 * 4)x = self.fc1(x)x = self.relu3(x)x = self.dropout(x)x = self.fc2(x)return x# 初始化模型并移至设备
model = CBAM_CNN().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
scheduler = optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', patience=3, factor=0.5)

# 训练函数
def train(model, train_loader, test_loader, criterion, optimizer, scheduler, device, epochs):model.train()all_iter_losses = []iter_indices = []train_acc_history = []test_acc_history = []train_loss_history = []test_loss_history = []for epoch in range(epochs):running_loss = 0.0correct = 0total = 0for batch_idx, (data, target) in enumerate(train_loader):data, target = data.to(device), target.to(device)optimizer.zero_grad()output = model(data)loss = criterion(output, target)loss.backward()optimizer.step()iter_loss = loss.item()all_iter_losses.append(iter_loss)iter_indices.append(epoch * len(train_loader) + batch_idx + 1)running_loss += iter_loss_, predicted = output.max(1)total += target.size(0)correct += predicted.eq(target).sum().item()if (batch_idx + 1) % 100 == 0:print(f'Epoch: {epoch+1}/{epochs} | Batch: {batch_idx+1}/{len(train_loader)} 'f'| 单Batch损失: {iter_loss:.4f} | 累计平均损失: {running_loss/(batch_idx+1):.4f}')epoch_train_loss = running_loss / len(train_loader)epoch_train_acc = 100. * correct / totaltrain_acc_history.append(epoch_train_acc)train_loss_history.append(epoch_train_loss)# 测试阶段model.eval()test_loss = 0correct_test = 0total_test = 0with torch.no_grad():for data, target in test_loader:data, target = data.to(device), target.to(device)output = model(data)test_loss += criterion(output, target).item()_, predicted = output.max(1)total_test += target.size(0)correct_test += predicted.eq(target).sum().item()epoch_test_loss = test_loss / len(test_loader)epoch_test_acc = 100. * correct_test / total_testtest_acc_history.append(epoch_test_acc)test_loss_history.append(epoch_test_loss)scheduler.step(epoch_test_loss)print(f'Epoch {epoch+1}/{epochs} 完成 | 训练准确率: {epoch_train_acc:.2f}% | 测试准确率: {epoch_test_acc:.2f}%')plot_iter_losses(all_iter_losses, iter_indices)plot_epoch_metrics(train_acc_history, test_acc_history, train_loss_history, test_loss_history)return epoch_test_acc# 绘图函数
def plot_iter_losses(losses, indices):plt.figure(figsize=(10, 4))plt.plot(indices, losses, 'b-', alpha=0.7, label='Iteration Loss')plt.xlabel('Iteration（Batch序号）')plt.ylabel('损失值')plt.title('每个 Iteration 的训练损失')plt.legend()plt.grid(True)plt.tight_layout()plt.show()def plot_epoch_metrics(train_acc, test_acc, train_loss, test_loss):epochs = range(1, len(train_acc) + 1)plt.figure(figsize=(12, 4))plt.subplot(1, 2, 1)plt.plot(epochs, train_acc, 'b-', label='训练准确率')plt.plot(epochs, test_acc, 'r-', label='测试准确率')plt.xlabel('Epoch')plt.ylabel('准确率 (%)')plt.title('训练和测试准确率')plt.legend()plt.grid(True)plt.subplot(1, 2, 2)plt.plot(epochs, train_loss, 'b-', label='训练损失')plt.plot(epochs, test_loss, 'r-', label='测试损失')plt.xlabel('Epoch')plt.ylabel('损失值')plt.title('训练和测试损失')plt.legend()plt.grid(True)plt.tight_layout()plt.show()# 执行训练
epochs = 50
print("开始使用带CBAM的CNN训练模型...")
final_accuracy = train(model, train_loader, test_loader, criterion, optimizer, scheduler, device, epochs)
print(f"训练完成！最终测试准确率: {final_accuracy:.2f}%")# # 保存模型
# torch.save(model.state_dict(), 'cifar10_cbam_cnn_model.pth')
# print("模型已保存为: cifar10_cbam_cnn_model.pth")

开始使用带CBAM的CNN训练模型...
Epoch: 1/50 | Batch: 100/782 | 单Batch损失: 1.8068 | 累计平均损失: 1.9504
Epoch: 1/50 | Batch: 200/782 | 单Batch损失: 1.6703 | 累计平均损失: 1.8310
Epoch: 1/50 | Batch: 300/782 | 单Batch损失: 1.7282 | 累计平均损失: 1.7603
Epoch: 1/50 | Batch: 400/782 | 单Batch损失: 1.4028 | 累计平均损失: 1.7050
Epoch: 1/50 | Batch: 500/782 | 单Batch损失: 1.2384 | 累计平均损失: 1.6675
Epoch: 1/50 | Batch: 600/782 | 单Batch损失: 1.3262 | 累计平均损失: 1.6308
Epoch: 1/50 | Batch: 700/782 | 单Batch损失: 1.2315 | 累计平均损失: 1.5930
Epoch 1/50 完成 | 训练准确率: 42.49% | 测试准确率: 58.60%
Epoch: 2/50 | Batch: 100/782 | 单Batch损失: 1.1333 | 累计平均损失: 1.3602
Epoch: 2/50 | Batch: 200/782 | 单Batch损失: 1.2330 | 累计平均损失: 1.3296
Epoch: 2/50 | Batch: 300/782 | 单Batch损失: 0.9225 | 累计平均损失: 1.2934
Epoch: 2/50 | Batch: 400/782 | 单Batch损失: 0.9983 | 累计平均损失: 1.2701
Epoch: 2/50 | Batch: 500/782 | 单Batch损失: 1.0356 | 累计平均损失: 1.2461
Epoch: 2/50 | Batch: 600/782 | 单Batch损失: 1.0236 | 累计平均损失: 1.2341
Epoch: 2/50 | Batch: 700/782 | 单Batch损失: 1.2743 | 累计平均损失: 1.2210
Epoch 2/50 完成 | 训练准确率: 56.67% | 测试准确率: 67.22%
Epoch: 3/50 | Batch: 100/782 | 单Batch损失: 1.2205 | 累计平均损失: 1.0597
Epoch: 3/50 | Batch: 200/782 | 单Batch损失: 1.1222 | 累计平均损失: 1.0563
Epoch: 3/50 | Batch: 300/782 | 单Batch损失: 1.0490 | 累计平均损失: 1.0634
Epoch: 3/50 | Batch: 400/782 | 单Batch损失: 0.9543 | 累计平均损失: 1.0599
Epoch: 3/50 | Batch: 500/782 | 单Batch损失: 0.9437 | 累计平均损失: 1.0528
Epoch: 3/50 | Batch: 600/782 | 单Batch损失: 1.2708 | 累计平均损失: 1.0465
Epoch: 3/50 | Batch: 700/782 | 单Batch损失: 0.8789 | 累计平均损失: 1.0448
Epoch 3/50 完成 | 训练准确率: 62.97% | 测试准确率: 70.30%
Epoch: 4/50 | Batch: 100/782 | 单Batch损失: 0.9047 | 累计平均损失: 0.9669
Epoch: 4/50 | Batch: 200/782 | 单Batch损失: 0.8886 | 累计平均损失: 0.9593
Epoch: 4/50 | Batch: 300/782 | 单Batch损失: 0.8078 | 累计平均损失: 0.9465
Epoch: 4/50 | Batch: 400/782 | 单Batch损失: 0.7879 | 累计平均损失: 0.9358
Epoch: 4/50 | Batch: 500/782 | 单Batch损失: 0.7902 | 累计平均损失: 0.9366
Epoch: 4/50 | Batch: 600/782 | 单Batch损失: 0.8576 | 累计平均损失: 0.9326
Epoch: 4/50 | Batch: 700/782 | 单Batch损失: 1.3249 | 累计平均损失: 0.9338
Epoch 4/50 完成 | 训练准确率: 66.91% | 测试准确率: 73.43%
Epoch: 5/50 | Batch: 100/782 | 单Batch损失: 0.8714 | 累计平均损失: 0.8887
Epoch: 5/50 | Batch: 200/782 | 单Batch损失: 0.8037 | 累计平均损失: 0.8927
Epoch: 5/50 | Batch: 300/782 | 单Batch损失: 0.7800 | 累计平均损失: 0.8819
Epoch: 5/50 | Batch: 400/782 | 单Batch损失: 1.1443 | 累计平均损失: 0.8738
Epoch: 5/50 | Batch: 500/782 | 单Batch损失: 0.8283 | 累计平均损失: 0.8736
Epoch: 5/50 | Batch: 600/782 | 单Batch损失: 0.8296 | 累计平均损失: 0.8714
Epoch: 5/50 | Batch: 700/782 | 单Batch损失: 0.7007 | 累计平均损失: 0.8718
Epoch 5/50 完成 | 训练准确率: 69.43% | 测试准确率: 74.02%
Epoch: 6/50 | Batch: 100/782 | 单Batch损失: 0.7123 | 累计平均损失: 0.8264
Epoch: 6/50 | Batch: 200/782 | 单Batch损失: 0.6168 | 累计平均损失: 0.8334
Epoch: 6/50 | Batch: 300/782 | 单Batch损失: 0.7244 | 累计平均损失: 0.8301
Epoch: 6/50 | Batch: 400/782 | 单Batch损失: 0.8604 | 累计平均损失: 0.8263
Epoch: 6/50 | Batch: 500/782 | 单Batch损失: 1.0281 | 累计平均损失: 0.8277
Epoch: 6/50 | Batch: 600/782 | 单Batch损失: 0.8731 | 累计平均损失: 0.8222
Epoch: 6/50 | Batch: 700/782 | 单Batch损失: 0.7084 | 累计平均损失: 0.8228
Epoch 6/50 完成 | 训练准确率: 71.06% | 测试准确率: 77.10%
Epoch: 7/50 | Batch: 100/782 | 单Batch损失: 0.9166 | 累计平均损失: 0.7944
Epoch: 7/50 | Batch: 200/782 | 单Batch损失: 0.6985 | 累计平均损失: 0.7973
Epoch: 7/50 | Batch: 300/782 | 单Batch损失: 0.8930 | 累计平均损失: 0.7911
Epoch: 7/50 | Batch: 400/782 | 单Batch损失: 0.7999 | 累计平均损失: 0.7938
Epoch: 7/50 | Batch: 500/782 | 单Batch损失: 0.6559 | 累计平均损失: 0.7925
Epoch: 7/50 | Batch: 600/782 | 单Batch损失: 0.7200 | 累计平均损失: 0.7903
Epoch: 7/50 | Batch: 700/782 | 单Batch损失: 0.8668 | 累计平均损失: 0.7900
Epoch 7/50 完成 | 训练准确率: 72.44% | 测试准确率: 75.70%
Epoch: 8/50 | Batch: 100/782 | 单Batch损失: 0.7175 | 累计平均损失: 0.7552
Epoch: 8/50 | Batch: 200/782 | 单Batch损失: 0.6332 | 累计平均损失: 0.7645
Epoch: 8/50 | Batch: 300/782 | 单Batch损失: 0.5731 | 累计平均损失: 0.7526
Epoch: 8/50 | Batch: 400/782 | 单Batch损失: 0.7617 | 累计平均损失: 0.7517
Epoch: 8/50 | Batch: 500/782 | 单Batch损失: 0.6892 | 累计平均损失: 0.7515
Epoch: 8/50 | Batch: 600/782 | 单Batch损失: 0.7312 | 累计平均损失: 0.7549
Epoch: 8/50 | Batch: 700/782 | 单Batch损失: 0.8937 | 累计平均损失: 0.7541
Epoch 8/50 完成 | 训练准确率: 73.56% | 测试准确率: 77.37%
Epoch: 9/50 | Batch: 100/782 | 单Batch损失: 0.8760 | 累计平均损失: 0.7398
Epoch: 9/50 | Batch: 200/782 | 单Batch损失: 0.5123 | 累计平均损失: 0.7349
Epoch: 9/50 | Batch: 300/782 | 单Batch损失: 0.7036 | 累计平均损失: 0.7311
Epoch: 9/50 | Batch: 400/782 | 单Batch损失: 0.6847 | 累计平均损失: 0.7306
Epoch: 9/50 | Batch: 500/782 | 单Batch损失: 0.8799 | 累计平均损失: 0.7301
Epoch: 9/50 | Batch: 600/782 | 单Batch损失: 0.8324 | 累计平均损失: 0.7331
Epoch: 9/50 | Batch: 700/782 | 单Batch损失: 0.7336 | 累计平均损失: 0.7303
Epoch 9/50 完成 | 训练准确率: 74.65% | 测试准确率: 77.73%
Epoch: 10/50 | Batch: 100/782 | 单Batch损失: 0.7165 | 累计平均损失: 0.6921
Epoch: 10/50 | Batch: 200/782 | 单Batch损失: 0.6091 | 累计平均损失: 0.7094
Epoch: 10/50 | Batch: 300/782 | 单Batch损失: 0.7060 | 累计平均损失: 0.7076
Epoch: 10/50 | Batch: 400/782 | 单Batch损失: 0.5803 | 累计平均损失: 0.7094
Epoch: 10/50 | Batch: 500/782 | 单Batch损失: 0.5968 | 累计平均损失: 0.7075
Epoch: 10/50 | Batch: 600/782 | 单Batch损失: 0.6240 | 累计平均损失: 0.7096
Epoch: 10/50 | Batch: 700/782 | 单Batch损失: 0.8921 | 累计平均损失: 0.7061
Epoch 10/50 完成 | 训练准确率: 75.23% | 测试准确率: 78.84%
Epoch: 11/50 | Batch: 100/782 | 单Batch损失: 0.8392 | 累计平均损失: 0.6906
Epoch: 11/50 | Batch: 200/782 | 单Batch损失: 0.4255 | 累计平均损失: 0.6749
Epoch: 11/50 | Batch: 300/782 | 单Batch损失: 0.8817 | 累计平均损失: 0.6839
Epoch: 11/50 | Batch: 400/782 | 单Batch损失: 0.9127 | 累计平均损失: 0.6882
Epoch: 11/50 | Batch: 500/782 | 单Batch损失: 0.5295 | 累计平均损失: 0.6912
Epoch: 11/50 | Batch: 600/782 | 单Batch损失: 0.7363 | 累计平均损失: 0.6908
Epoch: 11/50 | Batch: 700/782 | 单Batch损失: 0.5202 | 累计平均损失: 0.6884
Epoch 11/50 完成 | 训练准确率: 76.27% | 测试准确率: 79.65%
Epoch: 12/50 | Batch: 100/782 | 单Batch损失: 0.5777 | 累计平均损失: 0.6737
Epoch: 12/50 | Batch: 200/782 | 单Batch损失: 0.5878 | 累计平均损失: 0.6811
Epoch: 12/50 | Batch: 300/782 | 单Batch损失: 0.6180 | 累计平均损失: 0.6728
Epoch: 12/50 | Batch: 400/782 | 单Batch损失: 0.7010 | 累计平均损失: 0.6668
Epoch: 12/50 | Batch: 500/782 | 单Batch损失: 0.6033 | 累计平均损失: 0.6715
Epoch: 12/50 | Batch: 600/782 | 单Batch损失: 0.6178 | 累计平均损失: 0.6699
Epoch: 12/50 | Batch: 700/782 | 单Batch损失: 0.8882 | 累计平均损失: 0.6699
Epoch 12/50 完成 | 训练准确率: 76.49% | 测试准确率: 79.79%
Epoch: 13/50 | Batch: 100/782 | 单Batch损失: 0.4695 | 累计平均损失: 0.6513
Epoch: 13/50 | Batch: 200/782 | 单Batch损失: 0.7189 | 累计平均损失: 0.6444
Epoch: 13/50 | Batch: 300/782 | 单Batch损失: 0.5062 | 累计平均损失: 0.6449
Epoch: 13/50 | Batch: 400/782 | 单Batch损失: 0.5209 | 累计平均损失: 0.6505
Epoch: 13/50 | Batch: 500/782 | 单Batch损失: 0.6702 | 累计平均损失: 0.6469
Epoch: 13/50 | Batch: 600/782 | 单Batch损失: 0.6283 | 累计平均损失: 0.6486
Epoch: 13/50 | Batch: 700/782 | 单Batch损失: 0.7709 | 累计平均损失: 0.6489
Epoch 13/50 完成 | 训练准确率: 77.41% | 测试准确率: 78.36%
Epoch: 14/50 | Batch: 100/782 | 单Batch损失: 0.5958 | 累计平均损失: 0.6527
Epoch: 14/50 | Batch: 200/782 | 单Batch损失: 0.6085 | 累计平均损失: 0.6396
Epoch: 14/50 | Batch: 300/782 | 单Batch损失: 0.5621 | 累计平均损失: 0.6339
Epoch: 14/50 | Batch: 400/782 | 单Batch损失: 0.3217 | 累计平均损失: 0.6383
Epoch: 14/50 | Batch: 500/782 | 单Batch损失: 0.5894 | 累计平均损失: 0.6377
Epoch: 14/50 | Batch: 600/782 | 单Batch损失: 0.6295 | 累计平均损失: 0.6393
Epoch: 14/50 | Batch: 700/782 | 单Batch损失: 0.5119 | 累计平均损失: 0.6411
Epoch 14/50 完成 | 训练准确率: 77.57% | 测试准确率: 80.82%
Epoch: 15/50 | Batch: 100/782 | 单Batch损失: 0.7048 | 累计平均损失: 0.6209
Epoch: 15/50 | Batch: 200/782 | 单Batch损失: 0.4222 | 累计平均损失: 0.6307
Epoch: 15/50 | Batch: 300/782 | 单Batch损失: 0.5744 | 累计平均损失: 0.6302
Epoch: 15/50 | Batch: 400/782 | 单Batch损失: 0.5282 | 累计平均损失: 0.6266
Epoch: 15/50 | Batch: 500/782 | 单Batch损失: 0.7231 | 累计平均损失: 0.6227
Epoch: 15/50 | Batch: 600/782 | 单Batch损失: 0.6799 | 累计平均损失: 0.6259
Epoch: 15/50 | Batch: 700/782 | 单Batch损失: 0.6691 | 累计平均损失: 0.6288
Epoch 15/50 完成 | 训练准确率: 78.14% | 测试准确率: 81.26%
Epoch: 16/50 | Batch: 100/782 | 单Batch损失: 0.5496 | 累计平均损失: 0.6028
Epoch: 16/50 | Batch: 200/782 | 单Batch损失: 0.7343 | 累计平均损失: 0.6084
Epoch: 16/50 | Batch: 300/782 | 单Batch损失: 0.4796 | 累计平均损失: 0.6088
Epoch: 16/50 | Batch: 400/782 | 单Batch损失: 0.6605 | 累计平均损失: 0.6051
Epoch: 16/50 | Batch: 500/782 | 单Batch损失: 0.4469 | 累计平均损失: 0.6081
Epoch: 16/50 | Batch: 600/782 | 单Batch损失: 0.5591 | 累计平均损失: 0.6098
Epoch: 16/50 | Batch: 700/782 | 单Batch损失: 0.4150 | 累计平均损失: 0.6122
Epoch 16/50 完成 | 训练准确率: 78.38% | 测试准确率: 81.24%
Epoch: 17/50 | Batch: 100/782 | 单Batch损失: 0.7903 | 累计平均损失: 0.6028
Epoch: 17/50 | Batch: 200/782 | 单Batch损失: 0.6390 | 累计平均损失: 0.5975
Epoch: 17/50 | Batch: 300/782 | 单Batch损失: 0.5029 | 累计平均损失: 0.5954
Epoch: 17/50 | Batch: 400/782 | 单Batch损失: 0.6530 | 累计平均损失: 0.5988
Epoch: 17/50 | Batch: 500/782 | 单Batch损失: 0.6598 | 累计平均损失: 0.5976
Epoch: 17/50 | Batch: 600/782 | 单Batch损失: 0.4620 | 累计平均损失: 0.5987
Epoch: 17/50 | Batch: 700/782 | 单Batch损失: 0.4572 | 累计平均损失: 0.5989
Epoch 17/50 完成 | 训练准确率: 79.11% | 测试准确率: 81.95%
Epoch: 18/50 | Batch: 100/782 | 单Batch损失: 0.8232 | 累计平均损失: 0.5920
Epoch: 18/50 | Batch: 200/782 | 单Batch损失: 0.4122 | 累计平均损失: 0.5796
Epoch: 18/50 | Batch: 300/782 | 单Batch损失: 0.7608 | 累计平均损失: 0.5941
Epoch: 18/50 | Batch: 400/782 | 单Batch损失: 0.4806 | 累计平均损失: 0.5960
Epoch: 18/50 | Batch: 500/782 | 单Batch损失: 0.4139 | 累计平均损失: 0.5960
Epoch: 18/50 | Batch: 600/782 | 单Batch损失: 0.4981 | 累计平均损失: 0.5947
Epoch: 18/50 | Batch: 700/782 | 单Batch损失: 0.5214 | 累计平均损失: 0.5906
Epoch 18/50 完成 | 训练准确率: 79.40% | 测试准确率: 81.29%
Epoch: 19/50 | Batch: 100/782 | 单Batch损失: 0.5081 | 累计平均损失: 0.5887
Epoch: 19/50 | Batch: 200/782 | 单Batch损失: 0.5368 | 累计平均损失: 0.5874
Epoch: 19/50 | Batch: 300/782 | 单Batch损失: 0.5433 | 累计平均损失: 0.5830
Epoch: 19/50 | Batch: 400/782 | 单Batch损失: 0.5979 | 累计平均损失: 0.5804
Epoch: 19/50 | Batch: 500/782 | 单Batch损失: 0.5381 | 累计平均损失: 0.5762
Epoch: 19/50 | Batch: 600/782 | 单Batch损失: 0.4585 | 累计平均损失: 0.5801
Epoch: 19/50 | Batch: 700/782 | 单Batch损失: 0.6012 | 累计平均损失: 0.5794
Epoch 19/50 完成 | 训练准确率: 79.64% | 测试准确率: 81.75%
Epoch: 20/50 | Batch: 100/782 | 单Batch损失: 0.5562 | 累计平均损失: 0.5775
Epoch: 20/50 | Batch: 200/782 | 单Batch损失: 0.5135 | 累计平均损失: 0.5794
Epoch: 20/50 | Batch: 300/782 | 单Batch损失: 0.5336 | 累计平均损失: 0.5776
Epoch: 20/50 | Batch: 400/782 | 单Batch损失: 0.5229 | 累计平均损失: 0.5761
Epoch: 20/50 | Batch: 500/782 | 单Batch损失: 0.4623 | 累计平均损失: 0.5713
Epoch: 20/50 | Batch: 600/782 | 单Batch损失: 0.6300 | 累计平均损失: 0.5690
Epoch: 20/50 | Batch: 700/782 | 单Batch损失: 0.6291 | 累计平均损失: 0.5707
Epoch 20/50 完成 | 训练准确率: 79.99% | 测试准确率: 82.00%
Epoch: 21/50 | Batch: 100/782 | 单Batch损失: 0.4574 | 累计平均损失: 0.5482
Epoch: 21/50 | Batch: 200/782 | 单Batch损失: 0.8479 | 累计平均损失: 0.5593
Epoch: 21/50 | Batch: 300/782 | 单Batch损失: 0.4395 | 累计平均损失: 0.5591
Epoch: 21/50 | Batch: 400/782 | 单Batch损失: 0.5584 | 累计平均损失: 0.5588
Epoch: 21/50 | Batch: 500/782 | 单Batch损失: 0.6799 | 累计平均损失: 0.5591
Epoch: 21/50 | Batch: 600/782 | 单Batch损失: 0.6693 | 累计平均损失: 0.5612
Epoch: 21/50 | Batch: 700/782 | 单Batch损失: 0.6641 | 累计平均损失: 0.5618
Epoch 21/50 完成 | 训练准确率: 80.17% | 测试准确率: 81.61%
Epoch: 22/50 | Batch: 100/782 | 单Batch损失: 0.5207 | 累计平均损失: 0.5465
Epoch: 22/50 | Batch: 200/782 | 单Batch损失: 0.4003 | 累计平均损失: 0.5554
Epoch: 22/50 | Batch: 300/782 | 单Batch损失: 0.4804 | 累计平均损失: 0.5541
Epoch: 22/50 | Batch: 400/782 | 单Batch损失: 0.6084 | 累计平均损失: 0.5559
Epoch: 22/50 | Batch: 500/782 | 单Batch损失: 0.7097 | 累计平均损失: 0.5515
Epoch: 22/50 | Batch: 600/782 | 单Batch损失: 0.5282 | 累计平均损失: 0.5560
Epoch: 22/50 | Batch: 700/782 | 单Batch损失: 0.5192 | 累计平均损失: 0.5556
Epoch 22/50 完成 | 训练准确率: 80.47% | 测试准确率: 82.40%
Epoch: 23/50 | Batch: 100/782 | 单Batch损失: 0.4791 | 累计平均损失: 0.5384
Epoch: 23/50 | Batch: 200/782 | 单Batch损失: 0.7563 | 累计平均损失: 0.5305
Epoch: 23/50 | Batch: 300/782 | 单Batch损失: 0.4415 | 累计平均损失: 0.5409
Epoch: 23/50 | Batch: 400/782 | 单Batch损失: 0.4734 | 累计平均损失: 0.5394
Epoch: 23/50 | Batch: 500/782 | 单Batch损失: 0.6719 | 累计平均损失: 0.5417
Epoch: 23/50 | Batch: 600/782 | 单Batch损失: 0.5048 | 累计平均损失: 0.5423
Epoch: 23/50 | Batch: 700/782 | 单Batch损失: 0.4834 | 累计平均损失: 0.5444
Epoch 23/50 完成 | 训练准确率: 80.91% | 测试准确率: 82.99%
Epoch: 24/50 | Batch: 100/782 | 单Batch损失: 0.7115 | 累计平均损失: 0.5322
Epoch: 24/50 | Batch: 200/782 | 单Batch损失: 0.4290 | 累计平均损失: 0.5369
Epoch: 24/50 | Batch: 300/782 | 单Batch损失: 0.5661 | 累计平均损失: 0.5322
Epoch: 24/50 | Batch: 400/782 | 单Batch损失: 0.4407 | 累计平均损失: 0.5312
Epoch: 24/50 | Batch: 500/782 | 单Batch损失: 0.8303 | 累计平均损失: 0.5351
Epoch: 24/50 | Batch: 600/782 | 单Batch损失: 0.6202 | 累计平均损失: 0.5353
Epoch: 24/50 | Batch: 700/782 | 单Batch损失: 0.5813 | 累计平均损失: 0.5361
Epoch 24/50 完成 | 训练准确率: 81.04% | 测试准确率: 82.97%
Epoch: 25/50 | Batch: 100/782 | 单Batch损失: 0.5002 | 累计平均损失: 0.5237
Epoch: 25/50 | Batch: 200/782 | 单Batch损失: 0.4924 | 累计平均损失: 0.5197
Epoch: 25/50 | Batch: 300/782 | 单Batch损失: 0.3069 | 累计平均损失: 0.5273
Epoch: 25/50 | Batch: 400/782 | 单Batch损失: 0.3876 | 累计平均损失: 0.5339
Epoch: 25/50 | Batch: 500/782 | 单Batch损失: 0.5452 | 累计平均损失: 0.5333
Epoch: 25/50 | Batch: 600/782 | 单Batch损失: 0.6578 | 累计平均损失: 0.5331
Epoch: 25/50 | Batch: 700/782 | 单Batch损失: 0.3714 | 累计平均损失: 0.5341
Epoch 25/50 完成 | 训练准确率: 81.28% | 测试准确率: 83.27%
Epoch: 26/50 | Batch: 100/782 | 单Batch损失: 0.5367 | 累计平均损失: 0.5102
Epoch: 26/50 | Batch: 200/782 | 单Batch损失: 0.6369 | 累计平均损失: 0.5312
Epoch: 26/50 | Batch: 300/782 | 单Batch损失: 0.3903 | 累计平均损失: 0.5211
Epoch: 26/50 | Batch: 400/782 | 单Batch损失: 0.4560 | 累计平均损失: 0.5179
Epoch: 26/50 | Batch: 500/782 | 单Batch损失: 0.3716 | 累计平均损失: 0.5237
Epoch: 26/50 | Batch: 600/782 | 单Batch损失: 0.4940 | 累计平均损失: 0.5226
Epoch: 26/50 | Batch: 700/782 | 单Batch损失: 0.5624 | 累计平均损失: 0.5259
Epoch 26/50 完成 | 训练准确率: 81.70% | 测试准确率: 82.83%
Epoch: 27/50 | Batch: 100/782 | 单Batch损失: 0.5966 | 累计平均损失: 0.5204
Epoch: 27/50 | Batch: 200/782 | 单Batch损失: 0.4850 | 累计平均损失: 0.5068
Epoch: 27/50 | Batch: 300/782 | 单Batch损失: 0.5526 | 累计平均损失: 0.5133
Epoch: 27/50 | Batch: 400/782 | 单Batch损失: 0.4366 | 累计平均损失: 0.5158
Epoch: 27/50 | Batch: 500/782 | 单Batch损失: 0.4077 | 累计平均损失: 0.5175
Epoch: 27/50 | Batch: 600/782 | 单Batch损失: 0.5512 | 累计平均损失: 0.5163
Epoch: 27/50 | Batch: 700/782 | 单Batch损失: 0.4778 | 累计平均损失: 0.5162
Epoch 27/50 完成 | 训练准确率: 81.96% | 测试准确率: 83.36%
Epoch: 28/50 | Batch: 100/782 | 单Batch损失: 0.4616 | 累计平均损失: 0.5081
Epoch: 28/50 | Batch: 200/782 | 单Batch损失: 0.6436 | 累计平均损失: 0.5113
Epoch: 28/50 | Batch: 300/782 | 单Batch损失: 0.4535 | 累计平均损失: 0.5094
Epoch: 28/50 | Batch: 400/782 | 单Batch损失: 0.6412 | 累计平均损失: 0.5094
Epoch: 28/50 | Batch: 500/782 | 单Batch损失: 0.4172 | 累计平均损失: 0.5070
Epoch: 28/50 | Batch: 600/782 | 单Batch损失: 0.5729 | 累计平均损失: 0.5084
Epoch: 28/50 | Batch: 700/782 | 单Batch损失: 0.7177 | 累计平均损失: 0.5097
Epoch 28/50 完成 | 训练准确率: 82.04% | 测试准确率: 82.38%
Epoch: 29/50 | Batch: 100/782 | 单Batch损失: 0.3307 | 累计平均损失: 0.4994
Epoch: 29/50 | Batch: 200/782 | 单Batch损失: 0.4438 | 累计平均损失: 0.5039
Epoch: 29/50 | Batch: 300/782 | 单Batch损失: 0.3884 | 累计平均损失: 0.5038
Epoch: 29/50 | Batch: 400/782 | 单Batch损失: 0.5149 | 累计平均损失: 0.5124
Epoch: 29/50 | Batch: 500/782 | 单Batch损失: 0.6244 | 累计平均损失: 0.5074
Epoch: 29/50 | Batch: 600/782 | 单Batch损失: 0.6589 | 累计平均损失: 0.5084
Epoch: 29/50 | Batch: 700/782 | 单Batch损失: 0.4801 | 累计平均损失: 0.5089
Epoch 29/50 完成 | 训练准确率: 82.02% | 测试准确率: 83.30%
Epoch: 30/50 | Batch: 100/782 | 单Batch损失: 0.3495 | 累计平均损失: 0.4854
Epoch: 30/50 | Batch: 200/782 | 单Batch损失: 0.5006 | 累计平均损失: 0.4877
Epoch: 30/50 | Batch: 300/782 | 单Batch损失: 0.4388 | 累计平均损失: 0.4916
Epoch: 30/50 | Batch: 400/782 | 单Batch损失: 0.5631 | 累计平均损失: 0.4933
Epoch: 30/50 | Batch: 500/782 | 单Batch损失: 0.4836 | 累计平均损失: 0.4984
Epoch: 30/50 | Batch: 600/782 | 单Batch损失: 0.3281 | 累计平均损失: 0.4989
Epoch: 30/50 | Batch: 700/782 | 单Batch损失: 0.5237 | 累计平均损失: 0.5017
Epoch 30/50 完成 | 训练准确率: 82.37% | 测试准确率: 83.80%
Epoch: 31/50 | Batch: 100/782 | 单Batch损失: 0.5479 | 累计平均损失: 0.4756
Epoch: 31/50 | Batch: 200/782 | 单Batch损失: 0.6272 | 累计平均损失: 0.4960
Epoch: 31/50 | Batch: 300/782 | 单Batch损失: 0.3122 | 累计平均损失: 0.4965
Epoch: 31/50 | Batch: 400/782 | 单Batch损失: 0.6559 | 累计平均损失: 0.4966
Epoch: 31/50 | Batch: 500/782 | 单Batch损失: 0.5954 | 累计平均损失: 0.4929
Epoch: 31/50 | Batch: 600/782 | 单Batch损失: 0.7424 | 累计平均损失: 0.4918
Epoch: 31/50 | Batch: 700/782 | 单Batch损失: 0.5575 | 累计平均损失: 0.4977
Epoch 31/50 完成 | 训练准确率: 82.32% | 测试准确率: 83.53%
Epoch: 32/50 | Batch: 100/782 | 单Batch损失: 0.4886 | 累计平均损失: 0.4607
Epoch: 32/50 | Batch: 200/782 | 单Batch损失: 0.3784 | 累计平均损失: 0.4728
Epoch: 32/50 | Batch: 300/782 | 单Batch损失: 0.5617 | 累计平均损失: 0.4766
Epoch: 32/50 | Batch: 400/782 | 单Batch损失: 0.3727 | 累计平均损失: 0.4832
Epoch: 32/50 | Batch: 500/782 | 单Batch损失: 0.3744 | 累计平均损失: 0.4829
Epoch: 32/50 | Batch: 600/782 | 单Batch损失: 0.3707 | 累计平均损失: 0.4861
Epoch: 32/50 | Batch: 700/782 | 单Batch损失: 0.3870 | 累计平均损失: 0.4860
Epoch 32/50 完成 | 训练准确率: 82.74% | 测试准确率: 83.50%
Epoch: 33/50 | Batch: 100/782 | 单Batch损失: 0.2945 | 累计平均损失: 0.4732
Epoch: 33/50 | Batch: 200/782 | 单Batch损失: 0.5217 | 累计平均损失: 0.4844
Epoch: 33/50 | Batch: 300/782 | 单Batch损失: 0.4208 | 累计平均损失: 0.4836
Epoch: 33/50 | Batch: 400/782 | 单Batch损失: 0.3817 | 累计平均损失: 0.4824
Epoch: 33/50 | Batch: 500/782 | 单Batch损失: 0.4112 | 累计平均损失: 0.4792
Epoch: 33/50 | Batch: 600/782 | 单Batch损失: 0.4080 | 累计平均损失: 0.4812
Epoch: 33/50 | Batch: 700/782 | 单Batch损失: 0.4099 | 累计平均损失: 0.4809
Epoch 33/50 完成 | 训练准确率: 83.18% | 测试准确率: 83.54%
Epoch: 34/50 | Batch: 100/782 | 单Batch损失: 0.4311 | 累计平均损失: 0.4742
Epoch: 34/50 | Batch: 200/782 | 单Batch损失: 0.4110 | 累计平均损失: 0.4714
Epoch: 34/50 | Batch: 300/782 | 单Batch损失: 0.4747 | 累计平均损失: 0.4745
Epoch: 34/50 | Batch: 400/782 | 单Batch损失: 0.4877 | 累计平均损失: 0.4792
Epoch: 34/50 | Batch: 500/782 | 单Batch损失: 0.4097 | 累计平均损失: 0.4755
Epoch: 34/50 | Batch: 600/782 | 单Batch损失: 0.7281 | 累计平均损失: 0.4755
Epoch: 34/50 | Batch: 700/782 | 单Batch损失: 0.4282 | 累计平均损失: 0.4757
Epoch 34/50 完成 | 训练准确率: 83.21% | 测试准确率: 83.77%
Epoch: 35/50 | Batch: 100/782 | 单Batch损失: 0.3286 | 累计平均损失: 0.4360
Epoch: 35/50 | Batch: 200/782 | 单Batch损失: 0.4929 | 累计平均损失: 0.4323
Epoch: 35/50 | Batch: 300/782 | 单Batch损失: 0.3762 | 累计平均损失: 0.4275
Epoch: 35/50 | Batch: 400/782 | 单Batch损失: 0.3616 | 累计平均损失: 0.4324
Epoch: 35/50 | Batch: 500/782 | 单Batch损失: 0.4876 | 累计平均损失: 0.4344
Epoch: 35/50 | Batch: 600/782 | 单Batch损失: 0.3452 | 累计平均损失: 0.4303
Epoch: 35/50 | Batch: 700/782 | 单Batch损失: 0.2800 | 累计平均损失: 0.4288
Epoch 35/50 完成 | 训练准确率: 84.92% | 测试准确率: 84.51%
Epoch: 36/50 | Batch: 100/782 | 单Batch损失: 0.4680 | 累计平均损失: 0.4293
Epoch: 36/50 | Batch: 200/782 | 单Batch损失: 0.5700 | 累计平均损失: 0.4212
Epoch: 36/50 | Batch: 300/782 | 单Batch损失: 0.4390 | 累计平均损失: 0.4204
Epoch: 36/50 | Batch: 400/782 | 单Batch损失: 0.5267 | 累计平均损失: 0.4197
Epoch: 36/50 | Batch: 500/782 | 单Batch损失: 0.3959 | 累计平均损失: 0.4207
Epoch: 36/50 | Batch: 600/782 | 单Batch损失: 0.3113 | 累计平均损失: 0.4203
Epoch: 36/50 | Batch: 700/782 | 单Batch损失: 0.3314 | 累计平均损失: 0.4214
Epoch 36/50 完成 | 训练准确率: 85.32% | 测试准确率: 84.78%
Epoch: 37/50 | Batch: 100/782 | 单Batch损失: 0.4593 | 累计平均损失: 0.4146
Epoch: 37/50 | Batch: 200/782 | 单Batch损失: 0.5526 | 累计平均损失: 0.4161
Epoch: 37/50 | Batch: 300/782 | 单Batch损失: 0.4811 | 累计平均损失: 0.4187
Epoch: 37/50 | Batch: 400/782 | 单Batch损失: 0.3941 | 累计平均损失: 0.4172
Epoch: 37/50 | Batch: 500/782 | 单Batch损失: 0.4344 | 累计平均损失: 0.4152
Epoch: 37/50 | Batch: 600/782 | 单Batch损失: 0.5488 | 累计平均损失: 0.4134
Epoch: 37/50 | Batch: 700/782 | 单Batch损失: 0.3947 | 累计平均损失: 0.4128
Epoch 37/50 完成 | 训练准确率: 85.47% | 测试准确率: 85.61%
Epoch: 38/50 | Batch: 100/782 | 单Batch损失: 0.2697 | 累计平均损失: 0.3975
Epoch: 38/50 | Batch: 200/782 | 单Batch损失: 0.3262 | 累计平均损失: 0.3966
Epoch: 38/50 | Batch: 300/782 | 单Batch损失: 0.4658 | 累计平均损失: 0.4038
Epoch: 38/50 | Batch: 400/782 | 单Batch损失: 0.5184 | 累计平均损失: 0.4054
Epoch: 38/50 | Batch: 500/782 | 单Batch损失: 0.4482 | 累计平均损失: 0.4047
Epoch: 38/50 | Batch: 600/782 | 单Batch损失: 0.5497 | 累计平均损失: 0.4031
Epoch: 38/50 | Batch: 700/782 | 单Batch损失: 0.4320 | 累计平均损失: 0.4064
Epoch 38/50 完成 | 训练准确率: 85.69% | 测试准确率: 84.76%
Epoch: 39/50 | Batch: 100/782 | 单Batch损失: 0.4279 | 累计平均损失: 0.4081
Epoch: 39/50 | Batch: 200/782 | 单Batch损失: 0.4513 | 累计平均损失: 0.3995
Epoch: 39/50 | Batch: 300/782 | 单Batch损失: 0.3423 | 累计平均损失: 0.4055
Epoch: 39/50 | Batch: 400/782 | 单Batch损失: 0.4963 | 累计平均损失: 0.4015
Epoch: 39/50 | Batch: 500/782 | 单Batch损失: 0.3098 | 累计平均损失: 0.4034
Epoch: 39/50 | Batch: 600/782 | 单Batch损失: 0.3668 | 累计平均损失: 0.4039
Epoch: 39/50 | Batch: 700/782 | 单Batch损失: 0.4422 | 累计平均损失: 0.4057
Epoch 39/50 完成 | 训练准确率: 85.60% | 测试准确率: 85.38%
Epoch: 40/50 | Batch: 100/782 | 单Batch损失: 0.3657 | 累计平均损失: 0.3879
Epoch: 40/50 | Batch: 200/782 | 单Batch损失: 0.4267 | 累计平均损失: 0.3892
Epoch: 40/50 | Batch: 300/782 | 单Batch损失: 0.5641 | 累计平均损失: 0.3889
Epoch: 40/50 | Batch: 400/782 | 单Batch损失: 0.2898 | 累计平均损失: 0.3903
Epoch: 40/50 | Batch: 500/782 | 单Batch损失: 0.4153 | 累计平均损失: 0.3906
Epoch: 40/50 | Batch: 600/782 | 单Batch损失: 0.4488 | 累计平均损失: 0.3950
Epoch: 40/50 | Batch: 700/782 | 单Batch损失: 0.3801 | 累计平均损失: 0.3975
Epoch 40/50 完成 | 训练准确率: 86.04% | 测试准确率: 85.02%
Epoch: 41/50 | Batch: 100/782 | 单Batch损失: 0.3915 | 累计平均损失: 0.4067
Epoch: 41/50 | Batch: 200/782 | 单Batch损失: 0.2563 | 累计平均损失: 0.3886
Epoch: 41/50 | Batch: 300/782 | 单Batch损失: 0.5302 | 累计平均损失: 0.3866
Epoch: 41/50 | Batch: 400/782 | 单Batch损失: 0.4611 | 累计平均损失: 0.3909
Epoch: 41/50 | Batch: 500/782 | 单Batch损失: 0.3508 | 累计平均损失: 0.3875
Epoch: 41/50 | Batch: 600/782 | 单Batch损失: 0.5400 | 累计平均损失: 0.3878
Epoch: 41/50 | Batch: 700/782 | 单Batch损失: 0.5500 | 累计平均损失: 0.3903
Epoch 41/50 完成 | 训练准确率: 86.14% | 测试准确率: 84.89%
Epoch: 42/50 | Batch: 100/782 | 单Batch损失: 0.4661 | 累计平均损失: 0.3924
Epoch: 42/50 | Batch: 200/782 | 单Batch损失: 0.6080 | 累计平均损失: 0.3919
Epoch: 42/50 | Batch: 300/782 | 单Batch损失: 0.4949 | 累计平均损失: 0.3922
Epoch: 42/50 | Batch: 400/782 | 单Batch损失: 0.2592 | 累计平均损失: 0.3908
Epoch: 42/50 | Batch: 500/782 | 单Batch损失: 0.4580 | 累计平均损失: 0.3893
Epoch: 42/50 | Batch: 600/782 | 单Batch损失: 0.4937 | 累计平均损失: 0.3917
Epoch: 42/50 | Batch: 700/782 | 单Batch损失: 0.3789 | 累计平均损失: 0.3921
Epoch 42/50 完成 | 训练准确率: 86.00% | 测试准确率: 84.80%
Epoch: 43/50 | Batch: 100/782 | 单Batch损失: 0.5154 | 累计平均损失: 0.3723
Epoch: 43/50 | Batch: 200/782 | 单Batch损失: 0.1457 | 累计平均损失: 0.3755
Epoch: 43/50 | Batch: 300/782 | 单Batch损失: 0.6064 | 累计平均损失: 0.3785
Epoch: 43/50 | Batch: 400/782 | 单Batch损失: 0.3559 | 累计平均损失: 0.3803
Epoch: 43/50 | Batch: 500/782 | 单Batch损失: 0.2650 | 累计平均损失: 0.3808
Epoch: 43/50 | Batch: 600/782 | 单Batch损失: 0.4246 | 累计平均损失: 0.3837
Epoch: 43/50 | Batch: 700/782 | 单Batch损失: 0.6159 | 累计平均损失: 0.3826
Epoch 43/50 完成 | 训练准确率: 86.57% | 测试准确率: 84.80%
Epoch: 44/50 | Batch: 100/782 | 单Batch损失: 0.3769 | 累计平均损失: 0.3547
Epoch: 44/50 | Batch: 200/782 | 单Batch损失: 0.2535 | 累计平均损失: 0.3590
Epoch: 44/50 | Batch: 300/782 | 单Batch损失: 0.3264 | 累计平均损失: 0.3602
Epoch: 44/50 | Batch: 400/782 | 单Batch损失: 0.4237 | 累计平均损失: 0.3610
Epoch: 44/50 | Batch: 500/782 | 单Batch损失: 0.3469 | 累计平均损失: 0.3632
Epoch: 44/50 | Batch: 600/782 | 单Batch损失: 0.2249 | 累计平均损失: 0.3644
Epoch: 44/50 | Batch: 700/782 | 单Batch损失: 0.2896 | 累计平均损失: 0.3650
Epoch 44/50 完成 | 训练准确率: 87.16% | 测试准确率: 85.56%
Epoch: 45/50 | Batch: 100/782 | 单Batch损失: 0.4033 | 累计平均损失: 0.3474
Epoch: 45/50 | Batch: 200/782 | 单Batch损失: 0.3802 | 累计平均损失: 0.3482
Epoch: 45/50 | Batch: 300/782 | 单Batch损失: 0.3963 | 累计平均损失: 0.3419
Epoch: 45/50 | Batch: 400/782 | 单Batch损失: 0.4769 | 累计平均损失: 0.3499
Epoch: 45/50 | Batch: 500/782 | 单Batch损失: 0.1733 | 累计平均损失: 0.3510
Epoch: 45/50 | Batch: 600/782 | 单Batch损失: 0.4369 | 累计平均损失: 0.3486
Epoch: 45/50 | Batch: 700/782 | 单Batch损失: 0.3665 | 累计平均损失: 0.3510
Epoch 45/50 完成 | 训练准确率: 87.50% | 测试准确率: 85.40%
Epoch: 46/50 | Batch: 100/782 | 单Batch损失: 0.2379 | 累计平均损失: 0.3568
Epoch: 46/50 | Batch: 200/782 | 单Batch损失: 0.5482 | 累计平均损失: 0.3484
Epoch: 46/50 | Batch: 300/782 | 单Batch损失: 0.4037 | 累计平均损失: 0.3515
Epoch: 46/50 | Batch: 400/782 | 单Batch损失: 0.4300 | 累计平均损失: 0.3531
Epoch: 46/50 | Batch: 500/782 | 单Batch损失: 0.3944 | 累计平均损失: 0.3531
Epoch: 46/50 | Batch: 600/782 | 单Batch损失: 0.2426 | 累计平均损失: 0.3552
Epoch: 46/50 | Batch: 700/782 | 单Batch损失: 0.2979 | 累计平均损失: 0.3543
Epoch 46/50 完成 | 训练准确率: 87.45% | 测试准确率: 86.02%
Epoch: 47/50 | Batch: 100/782 | 单Batch损失: 0.3793 | 累计平均损失: 0.3436
Epoch: 47/50 | Batch: 200/782 | 单Batch损失: 0.3787 | 累计平均损失: 0.3530
Epoch: 47/50 | Batch: 300/782 | 单Batch损失: 0.5298 | 累计平均损失: 0.3537
Epoch: 47/50 | Batch: 400/782 | 单Batch损失: 0.4792 | 累计平均损失: 0.3552
Epoch: 47/50 | Batch: 500/782 | 单Batch损失: 0.4041 | 累计平均损失: 0.3572
Epoch: 47/50 | Batch: 600/782 | 单Batch损失: 0.3475 | 累计平均损失: 0.3522
Epoch: 47/50 | Batch: 700/782 | 单Batch损失: 0.4549 | 累计平均损失: 0.3510
Epoch 47/50 完成 | 训练准确率: 87.54% | 测试准确率: 85.71%
Epoch: 48/50 | Batch: 100/782 | 单Batch损失: 0.4600 | 累计平均损失: 0.3388
Epoch: 48/50 | Batch: 200/782 | 单Batch损失: 0.5518 | 累计平均损失: 0.3452
Epoch: 48/50 | Batch: 300/782 | 单Batch损失: 0.2917 | 累计平均损失: 0.3358
Epoch: 48/50 | Batch: 400/782 | 单Batch损失: 0.3100 | 累计平均损失: 0.3423
Epoch: 48/50 | Batch: 500/782 | 单Batch损失: 0.7021 | 累计平均损失: 0.3475
Epoch: 48/50 | Batch: 600/782 | 单Batch损失: 0.2287 | 累计平均损失: 0.3485
Epoch: 48/50 | Batch: 700/782 | 单Batch损失: 0.5825 | 累计平均损失: 0.3478
Epoch 48/50 完成 | 训练准确率: 87.67% | 测试准确率: 85.89%
Epoch: 49/50 | Batch: 100/782 | 单Batch损失: 0.3823 | 累计平均损失: 0.3368
Epoch: 49/50 | Batch: 200/782 | 单Batch损失: 0.3382 | 累计平均损失: 0.3429
Epoch: 49/50 | Batch: 300/782 | 单Batch损失: 0.2413 | 累计平均损失: 0.3414
Epoch: 49/50 | Batch: 400/782 | 单Batch损失: 0.5054 | 累计平均损失: 0.3423
Epoch: 49/50 | Batch: 500/782 | 单Batch损失: 0.3529 | 累计平均损失: 0.3427
Epoch: 49/50 | Batch: 600/782 | 单Batch损失: 0.4574 | 累计平均损失: 0.3423
Epoch: 49/50 | Batch: 700/782 | 单Batch损失: 0.4026 | 累计平均损失: 0.3440
Epoch 49/50 完成 | 训练准确率: 87.70% | 测试准确率: 85.80%
Epoch: 50/50 | Batch: 100/782 | 单Batch损失: 0.3368 | 累计平均损失: 0.3451
Epoch: 50/50 | Batch: 200/782 | 单Batch损失: 0.5310 | 累计平均损失: 0.3492
Epoch: 50/50 | Batch: 300/782 | 单Batch损失: 0.3280 | 累计平均损失: 0.3482
Epoch: 50/50 | Batch: 400/782 | 单Batch损失: 0.3337 | 累计平均损失: 0.3498
Epoch: 50/50 | Batch: 500/782 | 单Batch损失: 0.5709 | 累计平均损失: 0.3485
Epoch: 50/50 | Batch: 600/782 | 单Batch损失: 0.3742 | 累计平均损失: 0.3505
Epoch: 50/50 | Batch: 700/782 | 单Batch损失: 0.3078 | 累计平均损失: 0.3508
Epoch 50/50 完成 | 训练准确率: 87.68% | 测试准确率: 85.98%

训练完成！最终测试准确率: 85.98%

@浙大疏锦行

查看全文

http://www.xdnf.cn/news/959077.html

【前端】js Map集合的使用方法

C++11委托构造函数和继承构造函数：从入门到精通

查询宝塔的数据库信息

共享存储系统

动画直播如何颠覆传统？解析足球篮球赛事的数据可视化革命

ONNX详解：跨平台模型部署解决方案

【Java】谈谈HashMap

2025.06.09【RNA-seq】|逆转录元件（retrotransposon）表达分析全流程详解

运动控制--小车的启动和停止算法

数据结构第5章：树和二叉树完全指南（自整理详细图文笔记）

数据集转换xml2txt 、xml2json、json2coco

重排和重绘是什么，怎么解决？

GruntJS-前端自动化任务运行器从入门到实战

CAR：推理长度自适应新框架，提升精度同时还降低推理token数！！

python爬虫之数据存储

LangChain 中的文档加载器（Loader）与文本切分器（Splitter）详解《一》

视频监控厂商“以图搜图”能力比对(大华/海康)

Java数值运算常见陷阱与规避方法

华为WLAN概述知识点及案例试题

day26/60

java高级——高阶函数、如何定义一个函数式接口类似stream流的filter

项目课题——基于LoRa的农业环境监测节点

GC-QA-RAG 智能问答系统的问答生成

Spring Bean的初始化过程是怎么样的?

ROS mapserver制作静态地图

FreeRTOS学习01_移植FreeRTOS到STM32（图文详解）

前缀和+哈希：和为K的子数组

免费好用的专业提词器有哪些～～～

复盘与导出工具最新版V24.5版本更新--精选新增盘中板块涨停数量

2025季度云服务器排行榜

cbam模块介绍

cnn+cbam训练

相关文章：