2021-3-17

本文介绍了使用AverageMeter类来跟踪深度学习训练过程中的关键指标,包括时间、数据加载时间、损失值以及Top-1和Top-5精度。此外,还展示了如何使用ProgressMeter显示训练进度,并通过accuracy函数计算模型输出的精度。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  1. 师兄看文章太细了,而且印象很深,向他学习。
from utils.utils import AverageMeter
batch_time = AverageMeter('Time', ':.2f')
data_time = AverageMeter('Data', ':.2f')
losses = AverageMeter('Loss', ':.4f')
top1 = AverageMeter('Prec@1', ':.4f')
top5 = AverageMeter('Prec@5', ':.4f')
# 用来存储和计算当前的值
from utils.utils import ProgressMeter
progress = ProgressMeter(
        len(data_loader),
        [batch_time, data_time, losses, top1, top5],
        prefix='Epoch:[{}]'.format(epoch))
# 进展,例如[x/100]
from utils.utils import accuracy
prec1, prec5 = accuracy(output, label)
# accuracy(out, target, top=(1,5)) 返回top1,top5准确率
eg.
path = "D:\PYCHARM"
print(os.path.basename(path))
# PYCHARM

np.random.randint(start,end,num)
# 生成num个[start,end)间的随机整数

np.repeat(array, repeats = times)
#将array中的元素重复times次

np.random.choice(a,size,replace=True,p=None)
# a如果是一个数组,则从中采样,如果是一个int,则从[0, a]中采样,size是随机采样个数,replace是否重复采样,p是采样概率,一个一维数组
  1. -1//2 = -1
  2. np.random.normal(mean,std,size)
  3. slice(start,end,step)
  4. 无意中发现了有趣的事情。
    每天总结的知识点不立刻发出来,网页先保留着,第二天可以看一遍再发,正好复习了^ ^
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值