Python打卡训练营day45——2025.06.05
作业：对resnet18在cifar10上采用微调策略下，用tensorboard监控训练过程。
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms, models
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
import os# 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}")# 1. 数据预处理（训练集增强，测试集标准化）
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))
])# 2. 加载CIFAR-10数据集
train_dataset = datasets.CIFAR10(root='./data',train=True,download=True,transform=train_transform
)test_dataset = datasets.CIFAR10(root='./data',train=False,transform=test_transform
)# 3. 创建数据加载器
batch_size = 64
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)Epoch: 1/20 | Batch: 100/782 | 单Batch损失: 1.8002 | 累计平均损失: 2.0379
Epoch: 1/20 | Batch: 200/782 | 单Batch损失: 1.8952 | 累计平均损失: 1.9033
Epoch: 1/20 | Batch: 300/782 | 单Batch损失: 2.0089 | 累计平均损失: 1.8605
Epoch: 1/20 | Batch: 400/782 | 单Batch损失: 1.7509 | 累计平均损失: 1.8155
Epoch: 1/20 | Batch: 500/782 | 单Batch损失: 1.7406 | 累计平均损失: 1.8347
Epoch: 1/20 | Batch: 600/782 | 单Batch损失: 1.9998 | 累计平均损失: 1.8054
Epoch: 1/20 | Batch: 700/782 | 单Batch损失: 1.9656 | 累计平均损失: 1.7993
Epoch 1/20 完成 | 训练准确率: 33.81% | 测试准确率: 43.34%
Epoch: 2/20 | Batch: 100/782 | 单Batch损失: 1.6782 | 累计平均损失: 1.7376
Epoch: 2/20 | Batch: 200/782 | 单Batch损失: 1.8442 | 累计平均损失: 1.7416
Epoch: 2/20 | Batch: 300/782 | 单Batch损失: 1.7564 | 累计平均损失: 1.7360
Epoch: 2/20 | Batch: 400/782 | 单Batch损失: 1.6342 | 累计平均损失: 1.7550
Epoch: 2/20 | Batch: 500/782 | 单Batch损失: 1.7706 | 累计平均损失: 1.7489
Epoch: 2/20 | Batch: 600/782 | 单Batch损失: 1.6897 | 累计平均损失: 1.7382
Epoch: 2/20 | Batch: 700/782 | 单Batch损失: 1.9042 | 累计平均损失: 1.7580
Epoch 2/20 完成 | 训练准确率: 37.90% | 测试准确率: 44.39%
Epoch: 3/20 | Batch: 100/782 | 单Batch损失: 1.6119 | 累计平均损失: 1.7180
Epoch: 3/20 | Batch: 200/782 | 单Batch损失: 1.7927 | 累计平均损失: 1.7104
Epoch: 3/20 | Batch: 300/782 | 单Batch损失: 1.7190 | 累计平均损失: 1.7228
Epoch: 3/20 | Batch: 400/782 | 单Batch损失: 1.6828 | 累计平均损失: 1.7046
Epoch: 3/20 | Batch: 500/782 | 单Batch损失: 1.7059 | 累计平均损失: 1.6852
Epoch: 3/20 | Batch: 600/782 | 单Batch损失: 1.6125 | 累计平均损失: 1.6841
Epoch: 3/20 | Batch: 700/782 | 单Batch损失: 1.6480 | 累计平均损失: 1.6988
Epoch 3/20 完成 | 训练准确率: 39.71% | 测试准确率: 45.48%
Epoch: 4/20 | Batch: 100/782 | 单Batch损失: 1.6074 | 累计平均损失: 1.6999
Epoch: 4/20 | Batch: 200/782 | 单Batch损失: 1.9138 | 累计平均损失: 1.6771
Epoch: 4/20 | Batch: 300/782 | 单Batch损失: 1.7157 | 累计平均损失: 1.6825
Epoch: 4/20 | Batch: 400/782 | 单Batch损失: 1.8453 | 累计平均损失: 1.6723
Epoch: 4/20 | Batch: 500/782 | 单Batch损失: 1.4797 | 累计平均损失: 1.6797
Epoch: 4/20 | Batch: 600/782 | 单Batch损失: 1.7863 | 累计平均损失: 1.6902
Epoch: 4/20 | Batch: 700/782 | 单Batch损失: 1.7832 | 累计平均损失: 1.7038
Epoch 4/20 完成 | 训练准确率: 40.31% | 测试准确率: 46.12%
Epoch: 5/20 | Batch: 100/782 | 单Batch损失: 1.6709 | 累计平均损失: 1.6469
Epoch: 5/20 | Batch: 200/782 | 单Batch损失: 1.6557 | 累计平均损失: 1.6466
Epoch: 5/20 | Batch: 300/782 | 单Batch损失: 1.5419 | 累计平均损失: 1.6486
Epoch: 5/20 | Batch: 400/782 | 单Batch损失: 1.5667 | 累计平均损失: 1.6600
Epoch: 5/20 | Batch: 500/782 | 单Batch损失: 1.3893 | 累计平均损失: 1.6499
Epoch: 5/20 | Batch: 600/782 | 单Batch损失: 1.5675 | 累计平均损失: 1.6773
Epoch: 5/20 | Batch: 700/782 | 单Batch损失: 1.8342 | 累计平均损失: 1.6685
Epoch 5/20 完成 | 训练准确率: 41.41% | 测试准确率: 46.78%
Epoch: 6/20 | Batch: 100/782 | 单Batch损失: 1.8068 | 累计平均损失: 1.6426
Epoch: 6/20 | Batch: 200/782 | 单Batch损失: 1.8440 | 累计平均损失: 1.6238
Epoch: 6/20 | Batch: 300/782 | 单Batch损失: 1.7962 | 累计平均损失: 1.6426
Epoch: 6/20 | Batch: 400/782 | 单Batch损失: 1.5874 | 累计平均损失: 1.6376
Epoch: 6/20 | Batch: 500/782 | 单Batch损失: 1.5903 | 累计平均损失: 1.6411
Epoch: 6/20 | Batch: 600/782 | 单Batch损失: 1.6069 | 累计平均损失: 1.6555
Epoch: 6/20 | Batch: 700/782 | 单Batch损失: 1.7374 | 累计平均损失: 1.6440
Epoch 6/20 完成 | 训练准确率: 41.92% | 测试准确率: 46.82%
Epoch: 7/20 | Batch: 100/782 | 单Batch损失: 1.5096 | 累计平均损失: 1.6193
Epoch: 7/20 | Batch: 200/782 | 单Batch损失: 1.7903 | 累计平均损失: 1.5957
Epoch: 7/20 | Batch: 300/782 | 单Batch损失: 1.5088 | 累计平均损失: 1.6448
Epoch: 7/20 | Batch: 400/782 | 单Batch损失: 1.4998 | 累计平均损失: 1.6085
Epoch: 7/20 | Batch: 500/782 | 单Batch损失: 1.3046 | 累计平均损失: 1.6330
Epoch: 7/20 | Batch: 600/782 | 单Batch损失: 1.6198 | 累计平均损失: 1.6280
Epoch: 7/20 | Batch: 700/782 | 单Batch损失: 1.9460 | 累计平均损失: 1.6190
Epoch 7/20 完成 | 训练准确率: 42.72% | 测试准确率: 47.18%
Epoch: 8/20 | Batch: 100/782 | 单Batch损失: 1.7024 | 累计平均损失: 1.6040
Epoch: 8/20 | Batch: 200/782 | 单Batch损失: 1.6996 | 累计平均损失: 1.5930
Epoch: 8/20 | Batch: 300/782 | 单Batch损失: 1.9180 | 累计平均损失: 1.5948
Epoch: 8/20 | Batch: 400/782 | 单Batch损失: 1.5610 | 累计平均损失: 1.5956
Epoch: 8/20 | Batch: 500/782 | 单Batch损失: 1.5334 | 累计平均损失: 1.5895
Epoch: 8/20 | Batch: 600/782 | 单Batch损失: 1.4812 | 累计平均损失: 1.5886
Epoch: 8/20 | Batch: 700/782 | 单Batch损失: 1.4973 | 累计平均损失: 1.6098
Epoch 8/20 完成 | 训练准确率: 43.08% | 测试准确率: 47.88%
Epoch: 9/20 | Batch: 100/782 | 单Batch损失: 1.5032 | 累计平均损失: 1.5778
Epoch: 9/20 | Batch: 200/782 | 单Batch损失: 1.4106 | 累计平均损失: 1.5535
Epoch: 9/20 | Batch: 300/782 | 单Batch损失: 1.6568 | 累计平均损失: 1.5791
Epoch: 9/20 | Batch: 400/782 | 单Batch损失: 1.5178 | 累计平均损失: 1.5943
Epoch: 9/20 | Batch: 500/782 | 单Batch损失: 1.4842 | 累计平均损失: 1.6139
Epoch: 9/20 | Batch: 600/782 | 单Batch损失: 1.5095 | 累计平均损失: 1.6122
Epoch: 9/20 | Batch: 700/782 | 单Batch损失: 1.5301 | 累计平均损失: 1.5813
Epoch 9/20 完成 | 训练准确率: 43.61% | 测试准确率: 47.48%
Epoch: 10/20 | Batch: 100/782 | 单Batch损失: 1.6127 | 累计平均损失: 1.5765
Epoch: 10/20 | Batch: 200/782 | 单Batch损失: 1.5259 | 累计平均损失: 1.5787
Epoch: 10/20 | Batch: 300/782 | 单Batch损失: 1.5663 | 累计平均损失: 1.5902
Epoch: 10/20 | Batch: 400/782 | 单Batch损失: 1.6867 | 累计平均损失: 1.5823
Epoch: 10/20 | Batch: 500/782 | 单Batch损失: 1.7116 | 累计平均损失: 1.5688
Epoch: 10/20 | Batch: 600/782 | 单Batch损失: 1.6760 | 累计平均损失: 1.5852
Epoch: 10/20 | Batch: 700/782 | 单Batch损失: 1.6185 | 累计平均损失: 1.5930
Epoch 10/20 完成 | 训练准确率: 44.11% | 测试准确率: 48.58%
Epoch: 11/20 | Batch: 100/782 | 单Batch损失: 1.6500 | 累计平均损失: 1.5527
Epoch: 11/20 | Batch: 200/782 | 单Batch损失: 1.6778 | 累计平均损失: 1.5698
Epoch: 11/20 | Batch: 300/782 | 单Batch损失: 1.5765 | 累计平均损失: 1.5978
Epoch: 11/20 | Batch: 400/782 | 单Batch损失: 1.6958 | 累计平均损失: 1.5510
Epoch: 11/20 | Batch: 500/782 | 单Batch损失: 1.5038 | 累计平均损失: 1.5683
Epoch: 11/20 | Batch: 600/782 | 单Batch损失: 1.4215 | 累计平均损失: 1.5924
Epoch: 11/20 | Batch: 700/782 | 单Batch损失: 1.5648 | 累计平均损失: 1.5841
Epoch 11/20 完成 | 训练准确率: 44.05% | 测试准确率: 47.54%
Epoch: 12/20 | Batch: 100/782 | 单Batch损失: 1.5177 | 累计平均损失: 1.5576
Epoch: 12/20 | Batch: 200/782 | 单Batch损失: 1.6010 | 累计平均损失: 1.5353
Epoch: 12/20 | Batch: 300/782 | 单Batch损失: 1.4473 | 累计平均损失: 1.5319
Epoch: 12/20 | Batch: 400/782 | 单Batch损失: 1.6128 | 累计平均损失: 1.5583
Epoch: 12/20 | Batch: 500/782 | 单Batch损失: 1.4381 | 累计平均损失: 1.5486
Epoch: 12/20 | Batch: 600/782 | 单Batch损失: 1.5977 | 累计平均损失: 1.5607
Epoch: 12/20 | Batch: 700/782 | 单Batch损失: 1.6732 | 累计平均损失: 1.5735
Epoch 12/20 完成 | 训练准确率: 44.74% | 测试准确率: 47.99%
Epoch: 13/20 | Batch: 100/782 | 单Batch损失: 1.6179 | 累计平均损失: 1.5237
Epoch: 13/20 | Batch: 200/782 | 单Batch损失: 1.7966 | 累计平均损失: 1.5656
Epoch: 13/20 | Batch: 300/782 | 单Batch损失: 1.3527 | 累计平均损失: 1.5499
Epoch: 13/20 | Batch: 400/782 | 单Batch损失: 1.4959 | 累计平均损失: 1.5446
Epoch: 13/20 | Batch: 500/782 | 单Batch损失: 1.4859 | 累计平均损失: 1.5545
Epoch: 13/20 | Batch: 600/782 | 单Batch损失: 1.6439 | 累计平均损失: 1.5316
Epoch: 13/20 | Batch: 700/782 | 单Batch损失: 1.7502 | 累计平均损失: 1.5577
Epoch 13/20 完成 | 训练准确率: 44.93% | 测试准确率: 48.69%
Epoch: 14/20 | Batch: 100/782 | 单Batch损失: 1.4568 | 累计平均损失: 1.5288
Epoch: 14/20 | Batch: 200/782 | 单Batch损失: 1.4440 | 累计平均损失: 1.5270
Epoch: 14/20 | Batch: 300/782 | 单Batch损失: 1.6051 | 累计平均损失: 1.5540
Epoch: 14/20 | Batch: 400/782 | 单Batch损失: 1.4447 | 累计平均损失: 1.5211
Epoch: 14/20 | Batch: 500/782 | 单Batch损失: 1.4426 | 累计平均损失: 1.5254
Epoch: 14/20 | Batch: 600/782 | 单Batch损失: 1.4277 | 累计平均损失: 1.5543
Epoch: 14/20 | Batch: 700/782 | 单Batch损失: 1.6138 | 累计平均损失: 1.5226
Epoch 14/20 完成 | 训练准确率: 45.76% | 测试准确率: 48.91%
Epoch: 15/20 | Batch: 100/782 | 单Batch损失: 1.5069 | 累计平均损失: 1.4842
Epoch: 15/20 | Batch: 200/782 | 单Batch损失: 1.6512 | 累计平均损失: 1.5236
Epoch: 15/20 | Batch: 300/782 | 单Batch损失: 1.4177 | 累计平均损失: 1.5169
Epoch: 15/20 | Batch: 400/782 | 单Batch损失: 1.3404 | 累计平均损失: 1.5072
Epoch: 15/20 | Batch: 500/782 | 单Batch损失: 1.6667 | 累计平均损失: 1.5641
Epoch: 15/20 | Batch: 600/782 | 单Batch损失: 1.6065 | 累计平均损失: 1.5528
Epoch: 15/20 | Batch: 700/782 | 单Batch损失: 1.4698 | 累计平均损失: 1.5457
Epoch 15/20 完成 | 训练准确率: 45.97% | 测试准确率: 49.40%
Epoch: 16/20 | Batch: 100/782 | 单Batch损失: 1.5227 | 累计平均损失: 1.4716
Epoch: 16/20 | Batch: 200/782 | 单Batch损失: 1.5226 | 累计平均损失: 1.4971
Epoch: 16/20 | Batch: 300/782 | 单Batch损失: 1.5962 | 累计平均损失: 1.5150
Epoch: 16/20 | Batch: 400/782 | 单Batch损失: 1.4144 | 累计平均损失: 1.5462
Epoch: 16/20 | Batch: 500/782 | 单Batch损失: 1.3991 | 累计平均损失: 1.5291
Epoch: 16/20 | Batch: 600/782 | 单Batch损失: 1.3412 | 累计平均损失: 1.5317
Epoch: 16/20 | Batch: 700/782 | 单Batch损失: 1.4689 | 累计平均损失: 1.5318
Epoch 16/20 完成 | 训练准确率: 46.35% | 测试准确率: 48.25%
Epoch: 17/20 | Batch: 100/782 | 单Batch损失: 1.6156 | 累计平均损失: 1.5155
Epoch: 17/20 | Batch: 200/782 | 单Batch损失: 1.4089 | 累计平均损失: 1.4930
Epoch: 17/20 | Batch: 300/782 | 单Batch损失: 1.3682 | 累计平均损失: 1.5127
Epoch: 17/20 | Batch: 400/782 | 单Batch损失: 1.5191 | 累计平均损失: 1.5393
Epoch: 17/20 | Batch: 500/782 | 单Batch损失: 1.7968 | 累计平均损失: 1.5100
Epoch: 17/20 | Batch: 600/782 | 单Batch损失: 1.5981 | 累计平均损失: 1.5158
Epoch: 17/20 | Batch: 700/782 | 单Batch损失: 1.5971 | 累计平均损失: 1.5228
Epoch 17/20 完成 | 训练准确率: 46.08% | 测试准确率: 48.24%
Epoch: 18/20 | Batch: 100/782 | 单Batch损失: 1.8611 | 累计平均损失: 1.4594
Epoch: 18/20 | Batch: 200/782 | 单Batch损失: 1.6692 | 累计平均损失: 1.5040
Epoch: 18/20 | Batch: 300/782 | 单Batch损失: 1.3119 | 累计平均损失: 1.5085
Epoch: 18/20 | Batch: 400/782 | 单Batch损失: 1.5099 | 累计平均损失: 1.4964
Epoch: 18/20 | Batch: 500/782 | 单Batch损失: 1.5909 | 累计平均损失: 1.5144
Epoch: 18/20 | Batch: 600/782 | 单Batch损失: 1.7846 | 累计平均损失: 1.5060
Epoch: 18/20 | Batch: 700/782 | 单Batch损失: 1.4635 | 累计平均损失: 1.5301
Epoch 18/20 完成 | 训练准确率: 46.85% | 测试准确率: 49.05%
Epoch: 19/20 | Batch: 100/782 | 单Batch损失: 1.2420 | 累计平均损失: 1.4845
Epoch: 19/20 | Batch: 200/782 | 单Batch损失: 1.3399 | 累计平均损失: 1.4896
Epoch: 19/20 | Batch: 300/782 | 单Batch损失: 1.3264 | 累计平均损失: 1.4966
Epoch: 19/20 | Batch: 400/782 | 单Batch损失: 1.5312 | 累计平均损失: 1.4836
Epoch: 19/20 | Batch: 500/782 | 单Batch损失: 1.5669 | 累计平均损失: 1.5169
Epoch: 19/20 | Batch: 600/782 | 单Batch损失: 1.5758 | 累计平均损失: 1.4993
Epoch: 19/20 | Batch: 700/782 | 单Batch损失: 1.7516 | 累计平均损失: 1.4786
Epoch 19/20 完成 | 训练准确率: 47.17% | 测试准确率: 49.40%
Epoch: 20/20 | Batch: 100/782 | 单Batch损失: 1.7355 | 累计平均损失: 1.4672
Epoch: 20/20 | Batch: 200/782 | 单Batch损失: 1.3865 | 累计平均损失: 1.4876
Epoch: 20/20 | Batch: 300/782 | 单Batch损失: 1.5964 | 累计平均损失: 1.4976
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 700/782 | 单Batch损失: 1.5275 | 累计平均损失: 1.5081
Epoch 20/20 完成 | 训练准确率: 47.44% | 测试准确率: 49.56%
训练完成!
PS C:\Users\I.Love.I\Desktop\Python_code>
PS C:\Users\I.Love.I\Desktop\Python_code>
Epoch: 20/20 | Batch: 100/782 | 单Batch损失: 1.7355 | 累计平均损失: 1.4672
Epoch: 20/20 | Batch: 200/782 | 单Batch损失: 1.3865 | 累计平均损失: 1.4876
Epoch: 20/20 | Batch: 300/782 | 单Batch损失: 1.5964 | 累计平均损失: 1.4976
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 700/782 | 单Batch损失: 1.5275 | 累计平均损失: 1.5081
Epoch 20/20 完成 | 训练准确率: 47.44% | 测试准确率: 49.56%
训练完成!
PS C:\Users\I.Love.I\Desktop\Python_code>
PS C:\Users\I.Love.I\Desktop\Python_code>
Epoch: 20/20 | Batch: 100/782 | 单Batch损失: 1.7355 | 累计平均损失: 1.4672
Epoch: 20/20 | Batch: 200/782 | 单Batch损失: 1.3865 | 累计平均损失: 1.4876
Epoch: 20/20 | Batch: 300/782 | 单Batch损失: 1.5964 | 累计平均损失: 1.4976
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 700/782 | 单Batch损失: 1.5275 | 累计平均损失: 1.5081
Epoch 20/20 完成 | 训练准确率: 47.44% | 测试准确率: 49.56%
训练完成!
Epoch: 20/20 | Batch: 100/782 | 单Batch损失: 1.7355 | 累计平均损失: 1.4672
Epoch: 20/20 | Batch: 200/782 | 单Batch损失: 1.3865 | 累计平均损失: 1.4876
Epoch: 20/20 | Batch: 300/782 | 单Batch损失: 1.5964 | 累计平均损失: 1.4976
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 700/782 | 单Batch损失: 1.5275 | 累计平均损失: 1.5081
Epoch 20/20 完成 | 训练准确率: 47.44% | 测试准确率: 49.56%
Epoch: 20/20 | Batch: 100/782 | 单Batch损失: 1.7355 | 累计平均损失: 1.4672
Epoch: 20/20 | Batch: 200/782 | 单Batch损失: 1.3865 | 累计平均损失: 1.4876
Epoch: 20/20 | Batch: 300/782 | 单Batch损失: 1.5964 | 累计平均损失: 1.4976
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 100/782 | 单Batch损失: 1.7355 | 累计平均损失: 1.4672
Epoch: 20/20 | Batch: 200/782 | 单Batch损失: 1.3865 | 累计平均损失: 1.4876
Epoch: 20/20 | Batch: 300/782 | 单Batch损失: 1.5964 | 累计平均损失: 1.4976
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 100/782 | 单Batch损失: 1.7355 | 累计平均损失: 1.4672
Epoch: 20/20 | Batch: 200/782 | 单Batch损失: 1.3865 | 累计平均损失: 1.4876
Epoch: 20/20 | Batch: 300/782 | 单Batch损失: 1.5964 | 累计平均损失: 1.4976
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 100/782 | 单Batch损失: 1.7355 | 累计平均损失: 1.4672
Epoch: 20/20 | Batch: 200/782 | 单Batch损失: 1.3865 | 累计平均损失: 1.4876
Epoch: 20/20 | Batch: 300/782 | 单Batch损失: 1.5964 | 累计平均损失: 1.4976
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 700/782 | 单Batch损失: 1.5275 | 累计平均损失: 1.5081
Epoch: 20/20 | Batch: 100/782 | 单Batch损失: 1.7355 | 累计平均损失: 1.4672
Epoch: 20/20 | Batch: 200/782 | 单Batch损失: 1.3865 | 累计平均损失: 1.4876
Epoch: 20/20 | Batch: 300/782 | 单Batch损失: 1.5964 | 累计平均损失: 1.4976
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 700/782 | 单Batch损失: 1.5275 | 累计平均损失: 1.5081
Epoch 20/20 完成 | 训练准确率: 47.44% | 测试准确率: 49.56%
Epoch: 20/20 | Batch: 200/782 | 单Batch损失: 1.3865 | 累计平均损失: 1.4876
Epoch: 20/20 | Batch: 300/782 | 单Batch损失: 1.5964 | 累计平均损失: 1.4976
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 400/782 | 单Batch损失: 1.5086 | 累计平均损失: 1.4662
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 700/782 | 单Batch损失: 1.5275 | 累计平均损失: 1.5081
Epoch: 20/20 | Batch: 500/782 | 单Batch损失: 1.5181 | 累计平均损失: 1.5109
Epoch: 20/20 | Batch: 600/782 | 单Batch损失: 1.4490 | 累计平均损失: 1.4513
Epoch: 20/20 | Batch: 700/782 | 单Batch损失: 1.5275 | 累计平均损失: 1.5081
Epoch: 20/20 | Batch: 700/782 | 单Batch损失: 1.5275 | 累计平均损失: 1.5081
Epoch 20/20 完成 | 训练准确率: 47.44% | 测试准确率: 49.56%
训练完成!@浙大疏锦行
相关文章：
Python打卡训练营day45——2025.06.05
作业：对resnet18在cifar10上采用微调策略下，用tensorboard监控训练过程。 import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms, models from torch.utils.data import DataLoader import m…...
益莱储参加 Keysight World 2025，助力科技加速创新
全球领先的测试和测量技术解决方案提供商益莱储 / Electro Rent 再次受邀参加2025 年 6 月 26 日将于在 上海浦东嘉里大酒店隆重举行的 Keysight World Tech Day 2025 年度盛会，与是德科技深度合作，助力行业科技创新，为客户提供更经济、更灵活…...
基于cornerstone3D的dicom影像浏览器 第二十八章 LabelTool文字标记，L标记，R标记及标记样式设置
文章目录 前言一、L标记、R标记二、修改工具样式1. 样式的四种级别2. 导入annotation3. 示例1 - 修改toolGroup中的样式4. 示例2 - 修改viewport中的样式 三、可配置样式 前言 cornerstone3D 中的文字标记工具LabelTool，在添加文字标记时会弹出对话框让用户输入文字…...
基于责任链模式进行订单参数的校验
目录 概念 总体分为三步 我们定义责任链模式接口 各个节点的具体逻辑 用户校验器 库存校验器 商品校验器 把责任链编排在一起 概念 责任链模式 是一种行为设计模式 可以通过将一系列处理器按照顺序连接起来 使每个处理器都有机会处理请求 我理解的责任链的实现类似于…...
电路图识图基础知识-自耦变压器降压启动电动机控制电路（十六）
自耦变压器降压启动电动机控制电路 自耦变压器降压启动电动机控制电路是将自耦变压器的原边绕组接于电源侧，副边绕组接 于电机侧。电动机定子绕组启动时的电压为自耦变压器降压后得到的电压，这样可以减少电动 机的启动电流和启动力矩，当电动…...
神经网络与深度学习 网络优化与正则化
1.网络优化存在的难点 （1）结构差异大：没有通用的优化算法；超参数多 （2）非凸优化问题：参数初始化，逃离局部最优 （3）梯度消失（爆炸） …...
【Git系列】如何同步原始仓库的更新到你的fork仓库？
🎉🎉🎉欢迎来到我们的博客！无论您是第一次访问，还是我们的老朋友，我们都由衷地感谢您的到来。无论您是来寻找灵感、获取知识，还是单纯地享受阅读的乐趣，我们都希望您能在这里找到属于…...
PDF.js无法显示数字签名
问题 pdfjs加载pdf文件时无法显示数字签名 PDF.js 从 v2.9.359 版本开始正式支持数字签名的渲染与显示，此前版本需通过修改源代码实现基础兼容。 建议升级pdfjs组件大于等于v2.9.359 pdfjs历史版本：https://github.com/mozilla/pdf.js/releases pdfjs…...
spel 多层list嵌套表达式踩坑记
场景 Expression exp spelParser.parseExpression("#{#avgTable?.get(2)?.get(0)}", new TemplateParserContext()); String _result exp.getValue(evalContext, String.class);当avgTable?.get(2）为空时，Method threw java.lang.IndexO…...
深度强化学习驱动的智能爬取策略优化：基于网页结构特征的状态表示方法
传统网络爬虫依赖静态规则（如广度优先搜索）或启发式策略，在面对动态网页（如SPA单页应用）、复杂层级结构（如多层嵌套导航）及反爬机制时，常表现出爬取效率低下、覆盖率不足等问题。本文…...
【网络安全】XSS攻击
如果文章不足还请各位师傅批评指正！ XSS攻击是什么？ XSS全称是“Cross Site Scripting”，也就是跨站脚本攻击。想象一下，你正在吃一碗美味的面条，突然发现里面有一只小强！恶心不？XSS攻击就是这么…...
如何轻松将视频从安卓设备传输到电脑？
现在，我们可以轻松地使用安卓手机拍摄高分辨率视频。然而，这些视频会占用大量的存储空间。如果您想将视频从安卓设备传输到电脑以释放存储空间、编辑素材或只是备份记忆，可以使用本文介绍的 8 种实用方法来完成视频传输。 第 1 部分ÿ…...
时代星光推出战狼W60智能运载无人机，主要性能超市场同类产品一倍！
在刚刚结束的第九届世界无人机大会上，时代星光科技发布了其全新产品战狼W60智能运载无人机，并展示了基于战狼W60无人机平台的多种应用场景解决方案。据了解，该产品作为一款多旋翼无人机，主要性能参数均远超市场同类产品࿰…...
BUUCTF[极客大挑战 2019]Secret File 1题解
[极客大挑战 2019]Secret File 1 分析：解题界面1：界面二：界面3： 总结: 分析： 事后来看，这道题主打一个走一步看一步。我们只能从题目的标题中猜到，这道题与文件有关。 解题 界面1：…...
Odoo电子邮件使用配置指南
在Odoo中配置邮件收发功能需要设置SMTP发件服务器和IMAP/POP3收件服务器，并确保DNS记录（如SPF、DKIM）正确，以避免邮件被标记为垃圾邮件。以下指南是详细配置步骤： 1. 配置出站邮件（SMTP） 1.1 使…...
自定义Spring Boot Starter的全面指南
自定义Starter的核心优势 开发效率提升 通过将通用依赖和配置封装至Starter中，开发者可显著减少重复性工作： 消除样板代码：自动包含基础依赖（如Web、JPA等），无需在每个项目中手动添加 // build.gradle配…...
Spring Security中的认证实现
Spring Security认证架构概述 Spring Security的认证流程建立在精心设计的组件协作体系之上。图3.1展示了该框架实现认证过程的核心架构，这个架构由多个关键组件构成，理解这些组件的交互关系对于任何Spring Security实现都至关重要。 认证流程核心组件…...
MacOS解决局域网“没有到达主机的路由 no route to host“
可能原因：MacOS 15新增了"本地网络"访问权限，在 APP 第一次尝试访问本地网络的时候会请求权限，可能顺手选择了关闭。 解决办法：给想要访问本地网络的 APP （例如 terminal、Navicat、Ftp）添加访问…...
找到每一个单词+模拟的思路和算法
如大家所知，我们可以对给定的字符串 sentence 进行一次遍历，找出其中的每一个单词，并根据题目的要求进行操作。 在寻找单词时，我们可以使用语言自带的 split() 函数，将空格作为分割字符，得到所有的单词。为…...
澄清 STM32 NVIC 中断优先级
我们来澄清一下 STM32 NVIC 中断优先级的行为，特别是在抢占优先级和响应优先级（子优先级）都相同的情况下： 核心规则回顾： 抢占优先级 (Preemption Priority): 决定了中断是否可以打断另一个正在执行的中断。 高抢占优…...
2025东南亚跨境选择：Lazada VS. Shopee深度对比
东南亚电商市场持续爆发，2025年预计规模突破2000亿美元。对跨境卖家而言，Lazada与Shopee仍是两大核心战场，但平台生态与竞争格局已悄然变化。深入对比，方能制胜未来。 一、平台基因与核心优势对比 维度 Lazada (阿里系) Shopee …...
如何做好一份技术文档？（上篇）
如何做好一份技术文档？（上篇） 上篇：技术文档的基石设计 ——构建可持续迭代的文档体系 文档金字塔模型 [概念层] 为什么 —— 设计理念/适用场景 ▲ [指南层] 怎么做 —— 任务教程/最佳实践 ▲ [参考层] 是什么 ——…...
StarRocks
StarRocks 是一款由中国公司 北京快立方科技有限公司（Fenruilab）开发的 高性能分析型数据库，专注于解决大规模数据分析和实时查询场景的需求。它基于 MPP（大规模并行处理）架构设计，具备高并发、低延迟、易扩…...
Java-39 深入浅出 Spring - AOP切面增强 核心概念 通知类型 XML+注解方式 附代码
点一下关注吧！！！非常感谢！！持续更新！！！ 🚀 AI篇持续更新中！（长期更新） 目前2025年06月05日更新到： AI炼丹日志-28 - Aud…...
.NET 8集成阿里云短信服务完全指南【短信接口】
文章目录 前言一、准备工作1.1 阿里云账号准备1.2 .NET 8项目创建 二、集成阿里云短信SDK2.1 安装NuGet包2.2 配置阿里云短信参数2.3 创建配置类 三、实现短信发送服务3.1 创建短信服务接口3.2 实现短信服务3.3 注册服务 四、创建控制器五、测试与优化5.1 单元测试5.2 性能优化…...
实现仿中国婚博会微信小程序
主要功能： 1、完成底部标签导航设计、首页海报轮播效果设计和宫格导航设计，如图1所示 2、在首页里，单击全部分类宫格导航的时候，会进入到全部分类导航界面，把婚博会相关内容的导航集成到一个界面里，如图2…...
互联网大厂Java面试：从Spring Cloud到Kafka的技术考察
场景：互联网大厂Java求职者面试 面试官与谢飞机的对话 面试官：我们先从基础开始，谢飞机，你能简单介绍一下Java SE和Java EE的区别吗？ 谢飞机：哦，这个简单。Java SE是标准版，适合桌…...
策略梯度核心：Advantage 与 GAE 原理详解
一.Advantage（优势函数）详解 什么是 Advantage？ Advantage 表示当前动作比平均水平好多少。 其定义公式为： A ( s , a ) Q ( s , a ) − V ( s ) A(s, a) Q(s, a) - V(s) A(s,a)Q(s,a)−V(s) 其中： Q ( s , a ) …...
Python 使用总结之：Python 文本转语音引擎 - pyttsx3 完全指南
文本转语音（TTS，Text-to-Speech）技术已经广泛应用于语音助手、智能硬件、教育软件等多个领域。Python 提供了多个库来实现 TTS，其中 pyttsx3 是一个非常常用的跨平台 TTS 引擎。本文将详细介绍如何使用 pyttsx3 实现文本转语音的功…...
星闪开发之Server-Client 指令交互控制红灯亮灭案例解析（SLE_LED详解）
系列文章目录 星闪开发之Server-Client 指令交互控制红灯亮灭的全流程解析（SLE_LED详解） 文章目录 系列文章目录前言一、项目地址二、客户端1.SLE_LED_Client\inc\SLE_LED_Client.h2.SLE_LED_Client\src\SLE_LED_Client.c头文件与依赖管理宏定义与全局变…...