Python打卡训练营学习记录Day45

最新推荐文章于 2025-07-03 11:30:19 发布

原创最新推荐文章于 2025-07-03 11:30:19 发布 · 850 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#python #学习 #开发语言

一、tensorboard的基本操作

1.1 发展历史

TensorBoard 是 TensorFlow 生态中的官方可视化工具（也可无缝集成 PyTorch），用于实时监控训练过程、可视化模型结构、分析数据分布、对比实验结果等。它通过网页端交互界面，将枯燥的训练日志转化为直观的图表和图像，帮助开发者快速定位问题、优化模型。

简单来说，TensorBoard 是 TensorFlow 自带的一个「可视化工具」，就像给机器学习模型训练过程装了一个「监控屏幕」。你可以用它直观看到训练过程中的数据变化（比如损失值、准确率）、模型结构、数据分布等，不用盯着一堆枯燥的数字看，对新手非常友好。

TensorBoard 的发展历程如下：

2015 年随着 TensorFlow 框架一起发布，最初是为了满足深度学习研究者可视化复杂模型训练过程的需求。2016-2018 年新增了更多可视化功能，图像 / 音频可视化：可以直接看训练数据里的图片、听音频（比如在图像分类任务中，查看输入的图片是否正确）。直方图：展示数据分布（比如权重参数的分布是否合理）。多运行对比：同时对比多个训练任务的结果（比如不同学习率的效果对比）。
2019 年后与 PyTorch 兼容，变得更通用了。功能进一步丰富，比如支持3D 可视化、模型参数调试等。

目前这个工具还在不断发展，比如一些额外功能在tensorboardX上存在，但是我们目前只需要要用到最经典的几个功能即可

保存模型结构图
保存训练集和验证集的loss变化曲线，不需要手动打印了
保存每一个层结构权重分布
保存预测图片的预测信息

1.2 tensorboard的原理

TensorBoard 的核心原理就是在训练过程中，把训练过程中的数据（比如损失、准确率、图片等）先记录到日志文件里，再通过工具把这些日志文件可视化成图表，这样就不用自己手动打印数据或者用其他工具画图。

所以核心就是2个步骤：

数据怎么存？—— 先写日志文件

训练模型时，TensorBoard 会让程序把训练数据（比如损失值、准确率）和模型结构等信息，写入一个特殊的日志文件（.tfevents 文件）

数据怎么看？—— 用网页展示日志

写完日志后，TensorBoard 会启动一个本地网页服务，自动读取日志文件里的数据，用图表、图像、文本等形式展示出来。如果只用 print(损失值) 或者自己用 matplotlib 画图，不仅麻烦，还得手动保存数据、写代码，尤其训练几天几夜时，根本没法实时盯着看。而 TensorBoard 能自动把这些数据 “存下来 + 画出来”，还能生成网页版的可视化界面，随时刷新查看！

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