3D机器学习（8）：GPU加速、计算正确率、训练监测可视化tensorboardX和visdom

GPU加速：

把计算过程从CPU切换到GPU上。首先，把设备定义为使用cuda，然后把我们建立好的网络MLP搬到设备上去，还需要把交叉熵损失函数也搬上去，最后需要把data搬上去。，即完成了数据上传至cuda进行加速运算的前期准备。

 

网络刚开始训练时，loss会下降，准确性会上升，这时的网络参数在学一些本质的特征，但随着学习的次数增加，会发现尽管准确率上升，但有效性却不再上升，并且损失函数还会偶尔剧烈波动。这是因为后面网络参数不再学医本质东西了，而是开始抄袭数据，使之变得无效。因此网络并不是训练越久越好。

计算正确率：

即预测对的概率

1. 首先，建立一个4*10的张量，表示4张图片，每个图片可能有10个结果，作为假设的输出结果。
2. 然后利用softmax函数进行归一化，发现size并不会因为归一化而变化。
3. 然后利用argmax函数提取向量中最大的元素的位置，作为预测标签。
4. 输出预测标签为[9，5，9，4]，即预测手写数字的值。