python打卡day49 - 技术栈

python 复制代码

import torch
import torch.nn as nn
from torch.utils.tensorboard import SummaryWriter

# 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

python 复制代码

## 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

python 复制代码

## 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

python 复制代码

# 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])

python 复制代码

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)

python 复制代码

# 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)

# 统计模型参数
total_params = sum(p.numel() for p in model.parameters())
trainable_params = sum(p.numel() for p in model.parameters() if p.requires_grad)
print(f"模型总参数: {total_params:,}")
print(f"可训练参数: {trainable_params:,}")
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
scheduler = optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', patience=3, factor=0.5)

模型总参数: 1,150,896

可训练参数: 1,150,896

python 复制代码

# 训练函数
def train(model, train_loader, test_loader, criterion, optimizer, scheduler, device, epochs):
    # 初始化TensorBoard
    writer = SummaryWriter('runs/cbam_cnn_experiment')
    
    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 = 0.0
        correct = 0
        total = 0
        
        for 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 / total
        train_acc_history.append(epoch_train_acc)
        train_loss_history.append(epoch_train_loss)
        
        # 测试阶段
        model.eval()
        test_loss = 0
        correct_test = 0
        total_test = 0
        
        with 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_test
        test_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}%')
        # 记录训练指标
        writer.add_scalar('Loss/train', epoch_train_loss, epoch)
        writer.add_scalar('Accuracy/train', epoch_train_acc, epoch)
        writer.add_scalar('Loss/test', epoch_test_loss, epoch)
        writer.add_scalar('Accuracy/test', epoch_test_acc, epoch)
        
        # 记录学习率
        writer.add_scalar('Learning Rate', optimizer.param_groups[0]['lr'], epoch)
        
        # 记录第一层卷积权重分布
        for name, param in model.named_parameters():
            if 'conv1.weight' in name:
                writer.add_histogram('conv1/weights', param, epoch)
                break

    # 关闭TensorBoard
    writer.close()

    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")

python 复制代码

开始使用带CBAM的CNN训练模型...
Epoch: 1/50 | Batch: 100/782 | 单Batch损失: 1.9283 | 累计平均损失: 1.9808
Epoch: 1/50 | Batch: 200/782 | 单Batch损失: 1.9207 | 累计平均损失: 1.8570
Epoch: 1/50 | Batch: 300/782 | 单Batch损失: 1.6071 | 累计平均损失: 1.7736
Epoch: 1/50 | Batch: 400/782 | 单Batch损失: 1.5910 | 累计平均损失: 1.7162
Epoch: 1/50 | Batch: 500/782 | 单Batch损失: 1.4540 | 累计平均损失: 1.6698
Epoch: 1/50 | Batch: 600/782 | 单Batch损失: 1.4904 | 累计平均损失: 1.6304
Epoch: 1/50 | Batch: 700/782 | 单Batch损失: 1.3273 | 累计平均损失: 1.5967
Epoch 1/50 完成 | 训练准确率: 42.18% | 测试准确率: 53.36%
Epoch: 2/50 | Batch: 100/782 | 单Batch损失: 1.2753 | 累计平均损失: 1.3787
Epoch: 2/50 | Batch: 200/782 | 单Batch损失: 1.2176 | 累计平均损失: 1.3335
Epoch: 2/50 | Batch: 300/782 | 单Batch损失: 1.3766 | 累计平均损失: 1.2993
Epoch: 2/50 | Batch: 400/782 | 单Batch损失: 1.3427 | 累计平均损失: 1.2790
Epoch: 2/50 | Batch: 500/782 | 单Batch损失: 1.0822 | 累计平均损失: 1.2623
Epoch: 2/50 | Batch: 600/782 | 单Batch损失: 1.0790 | 累计平均损失: 1.2460
Epoch: 2/50 | Batch: 700/782 | 单Batch损失: 1.1139 | 累计平均损失: 1.2312
Epoch 2/50 完成 | 训练准确率: 56.27% | 测试准确率: 63.29%
Epoch: 3/50 | Batch: 100/782 | 单Batch损失: 1.1049 | 累计平均损失: 1.0801
Epoch: 3/50 | Batch: 200/782 | 单Batch损失: 1.1659 | 累计平均损失: 1.0868
Epoch: 3/50 | Batch: 300/782 | 单Batch损失: 0.9939 | 累计平均损失: 1.0843
Epoch: 3/50 | Batch: 400/782 | 单Batch损失: 0.9159 | 累计平均损失: 1.0748
Epoch: 3/50 | Batch: 500/782 | 单Batch损失: 1.2012 | 累计平均损失: 1.0704
Epoch: 3/50 | Batch: 600/782 | 单Batch损失: 0.7942 | 累计平均损失: 1.0650
Epoch: 3/50 | Batch: 700/782 | 单Batch损失: 0.9992 | 累计平均损失: 1.0582
Epoch 3/50 完成 | 训练准确率: 62.40% | 测试准确率: 69.77%
Epoch: 4/50 | Batch: 100/782 | 单Batch损失: 1.0451 | 累计平均损失: 0.9778
Epoch: 4/50 | Batch: 200/782 | 单Batch损失: 1.1742 | 累计平均损失: 0.9691
Epoch: 4/50 | Batch: 300/782 | 单Batch损失: 0.8610 | 累计平均损失: 0.9712
Epoch: 4/50 | Batch: 400/782 | 单Batch损失: 0.9822 | 累计平均损失: 0.9666
Epoch: 4/50 | Batch: 500/782 | 单Batch损失: 0.6873 | 累计平均损失: 0.9633
Epoch: 4/50 | Batch: 600/782 | 单Batch损失: 0.9582 | 累计平均损失: 0.9617
Epoch: 4/50 | Batch: 700/782 | 单Batch损失: 0.9254 | 累计平均损失: 0.9542
Epoch 4/50 完成 | 训练准确率: 66.04% | 测试准确率: 72.34%
Epoch: 5/50 | Batch: 100/782 | 单Batch损失: 0.9487 | 累计平均损失: 0.9081
Epoch: 5/50 | Batch: 200/782 | 单Batch损失: 1.0572 | 累计平均损失: 0.9093
Epoch: 5/50 | Batch: 300/782 | 单Batch损失: 1.1424 | 累计平均损失: 0.9039
Epoch: 5/50 | Batch: 400/782 | 单Batch损失: 0.8799 | 累计平均损失: 0.9033
Epoch: 5/50 | Batch: 500/782 | 单Batch损失: 1.2978 | 累计平均损失: 0.9005
Epoch: 5/50 | Batch: 600/782 | 单Batch损失: 0.8672 | 累计平均损失: 0.8992
Epoch: 5/50 | Batch: 700/782 | 单Batch损失: 0.8247 | 累计平均损失: 0.8939
Epoch 5/50 完成 | 训练准确率: 68.47% | 测试准确率: 73.13%
Epoch: 6/50 | Batch: 100/782 | 单Batch损失: 0.5644 | 累计平均损失: 0.8420
Epoch: 6/50 | Batch: 200/782 | 单Batch损失: 0.7484 | 累计平均损失: 0.8533
Epoch: 6/50 | Batch: 300/782 | 单Batch损失: 0.5719 | 累计平均损失: 0.8518
Epoch: 6/50 | Batch: 400/782 | 单Batch损失: 0.8136 | 累计平均损失: 0.8486
Epoch: 6/50 | Batch: 500/782 | 单Batch损失: 0.9129 | 累计平均损失: 0.8466
Epoch: 6/50 | Batch: 600/782 | 单Batch损失: 0.8355 | 累计平均损失: 0.8438
Epoch: 6/50 | Batch: 700/782 | 单Batch损失: 0.6586 | 累计平均损失: 0.8421
Epoch 6/50 完成 | 训练准确率: 70.29% | 测试准确率: 75.67%
Epoch: 7/50 | Batch: 100/782 | 单Batch损失: 0.7663 | 累计平均损失: 0.8060
Epoch: 7/50 | Batch: 200/782 | 单Batch损失: 0.8747 | 累计平均损失: 0.8101
Epoch: 7/50 | Batch: 300/782 | 单Batch损失: 0.7717 | 累计平均损失: 0.8121
Epoch: 7/50 | Batch: 400/782 | 单Batch损失: 0.4878 | 累计平均损失: 0.8067
Epoch: 7/50 | Batch: 500/782 | 单Batch损失: 0.6725 | 累计平均损失: 0.8077
Epoch: 7/50 | Batch: 600/782 | 单Batch损失: 0.9056 | 累计平均损失: 0.8009
Epoch: 7/50 | Batch: 700/782 | 单Batch损失: 0.8382 | 累计平均损失: 0.8028
Epoch 7/50 完成 | 训练准确率: 71.78% | 测试准确率: 77.11%
Epoch: 8/50 | Batch: 100/782 | 单Batch损失: 0.6227 | 累计平均损失: 0.7765
Epoch: 8/50 | Batch: 200/782 | 单Batch损失: 0.7743 | 累计平均损失: 0.7596
Epoch: 8/50 | Batch: 300/782 | 单Batch损失: 1.0058 | 累计平均损失: 0.7659
Epoch: 8/50 | Batch: 400/782 | 单Batch损失: 0.6113 | 累计平均损失: 0.7680
Epoch: 8/50 | Batch: 500/782 | 单Batch损失: 0.8460 | 累计平均损失: 0.7669
Epoch: 8/50 | Batch: 600/782 | 单Batch损失: 0.7166 | 累计平均损失: 0.7702
Epoch: 8/50 | Batch: 700/782 | 单Batch损失: 0.7110 | 累计平均损失: 0.7690
Epoch 8/50 完成 | 训练准确率: 73.19% | 测试准确率: 77.86%
Epoch: 9/50 | Batch: 100/782 | 单Batch损失: 0.8051 | 累计平均损失: 0.7152
Epoch: 9/50 | Batch: 200/782 | 单Batch损失: 0.8022 | 累计平均损失: 0.7369
Epoch: 9/50 | Batch: 300/782 | 单Batch损失: 0.6755 | 累计平均损失: 0.7380
Epoch: 9/50 | Batch: 400/782 | 单Batch损失: 0.8298 | 累计平均损失: 0.7400
Epoch: 9/50 | Batch: 500/782 | 单Batch损失: 0.7428 | 累计平均损失: 0.7365
Epoch: 9/50 | Batch: 600/782 | 单Batch损失: 0.5454 | 累计平均损失: 0.7349
Epoch: 9/50 | Batch: 700/782 | 单Batch损失: 0.6895 | 累计平均损失: 0.7361
Epoch 9/50 完成 | 训练准确率: 74.06% | 测试准确率: 78.54%
Epoch: 10/50 | Batch: 100/782 | 单Batch损失: 0.6894 | 累计平均损失: 0.7211
Epoch: 10/50 | Batch: 200/782 | 单Batch损失: 0.7468 | 累计平均损失: 0.7158
Epoch: 10/50 | Batch: 300/782 | 单Batch损失: 0.6652 | 累计平均损失: 0.7144
Epoch: 10/50 | Batch: 400/782 | 单Batch损失: 0.8177 | 累计平均损失: 0.7136
Epoch: 10/50 | Batch: 500/782 | 单Batch损失: 0.7905 | 累计平均损失: 0.7162
Epoch: 10/50 | Batch: 600/782 | 单Batch损失: 0.5563 | 累计平均损失: 0.7139
Epoch: 10/50 | Batch: 700/782 | 单Batch损失: 0.8269 | 累计平均损失: 0.7130
Epoch 10/50 完成 | 训练准确率: 74.92% | 测试准确率: 78.95%
Epoch: 11/50 | Batch: 100/782 | 单Batch损失: 0.6810 | 累计平均损失: 0.6872
Epoch: 11/50 | Batch: 200/782 | 单Batch损失: 0.5852 | 累计平均损失: 0.6886
Epoch: 11/50 | Batch: 300/782 | 单Batch损失: 0.7648 | 累计平均损失: 0.6936
Epoch: 11/50 | Batch: 400/782 | 单Batch损失: 0.6400 | 累计平均损失: 0.6948
Epoch: 11/50 | Batch: 500/782 | 单Batch损失: 0.9403 | 累计平均损失: 0.6919
Epoch: 11/50 | Batch: 600/782 | 单Batch损失: 0.5281 | 累计平均损失: 0.6899
Epoch: 11/50 | Batch: 700/782 | 单Batch损失: 0.5923 | 累计平均损失: 0.6893
Epoch 11/50 完成 | 训练准确率: 75.91% | 测试准确率: 79.61%
Epoch: 12/50 | Batch: 100/782 | 单Batch损失: 0.6209 | 累计平均损失: 0.6633
Epoch: 12/50 | Batch: 200/782 | 单Batch损失: 0.5048 | 累计平均损失: 0.6724
Epoch: 12/50 | Batch: 300/782 | 单Batch损失: 0.7051 | 累计平均损失: 0.6775
Epoch: 12/50 | Batch: 400/782 | 单Batch损失: 0.8135 | 累计平均损失: 0.6785
Epoch: 12/50 | Batch: 500/782 | 单Batch损失: 0.7148 | 累计平均损失: 0.6798
Epoch: 12/50 | Batch: 600/782 | 单Batch损失: 0.5421 | 累计平均损失: 0.6802
Epoch: 12/50 | Batch: 700/782 | 单Batch损失: 0.6103 | 累计平均损失: 0.6800
Epoch 12/50 完成 | 训练准确率: 76.18% | 测试准确率: 80.00%
Epoch: 13/50 | Batch: 100/782 | 单Batch损失: 0.4983 | 累计平均损失: 0.6545
Epoch: 13/50 | Batch: 200/782 | 单Batch损失: 0.5504 | 累计平均损失: 0.6475
Epoch: 13/50 | Batch: 300/782 | 单Batch损失: 0.5776 | 累计平均损失: 0.6516
Epoch: 13/50 | Batch: 400/782 | 单Batch损失: 0.6518 | 累计平均损失: 0.6597
Epoch: 13/50 | Batch: 500/782 | 单Batch损失: 0.6984 | 累计平均损失: 0.6612
Epoch: 13/50 | Batch: 600/782 | 单Batch损失: 0.6976 | 累计平均损失: 0.6604
Epoch: 13/50 | Batch: 700/782 | 单Batch损失: 0.9830 | 累计平均损失: 0.6602
Epoch 13/50 完成 | 训练准确率: 76.97% | 测试准确率: 80.48%
Epoch: 14/50 | Batch: 100/782 | 单Batch损失: 0.9231 | 累计平均损失: 0.6472
Epoch: 14/50 | Batch: 200/782 | 单Batch损失: 0.4780 | 累计平均损失: 0.6492
Epoch: 14/50 | Batch: 300/782 | 单Batch损失: 0.4738 | 累计平均损失: 0.6491
Epoch: 14/50 | Batch: 400/782 | 单Batch损失: 0.7596 | 累计平均损失: 0.6521
Epoch: 14/50 | Batch: 500/782 | 单Batch损失: 0.6941 | 累计平均损失: 0.6519
Epoch: 14/50 | Batch: 600/782 | 单Batch损失: 0.6395 | 累计平均损失: 0.6491
Epoch: 14/50 | Batch: 700/782 | 单Batch损失: 0.6741 | 累计平均损失: 0.6494
Epoch 14/50 完成 | 训练准确率: 77.33% | 测试准确率: 80.43%
Epoch: 15/50 | Batch: 100/782 | 单Batch损失: 0.7987 | 累计平均损失: 0.6273
Epoch: 15/50 | Batch: 200/782 | 单Batch损失: 0.8700 | 累计平均损失: 0.6342
Epoch: 15/50 | Batch: 300/782 | 单Batch损失: 0.5530 | 累计平均损失: 0.6332
Epoch: 15/50 | Batch: 400/782 | 单Batch损失: 0.4776 | 累计平均损失: 0.6313
Epoch: 15/50 | Batch: 500/782 | 单Batch损失: 0.8654 | 累计平均损失: 0.6307
Epoch: 15/50 | Batch: 600/782 | 单Batch损失: 0.6052 | 累计平均损失: 0.6285
Epoch: 15/50 | Batch: 700/782 | 单Batch损失: 0.7683 | 累计平均损失: 0.6304
Epoch 15/50 完成 | 训练准确率: 77.92% | 测试准确率: 81.37%
Epoch: 16/50 | Batch: 100/782 | 单Batch损失: 0.5539 | 累计平均损失: 0.6088
Epoch: 16/50 | Batch: 200/782 | 单Batch损失: 0.5259 | 累计平均损失: 0.6067
Epoch: 16/50 | Batch: 300/782 | 单Batch损失: 0.6134 | 累计平均损失: 0.6206
Epoch: 16/50 | Batch: 400/782 | 单Batch损失: 0.8071 | 累计平均损失: 0.6214
Epoch: 16/50 | Batch: 500/782 | 单Batch损失: 0.5467 | 累计平均损失: 0.6193
Epoch: 16/50 | Batch: 600/782 | 单Batch损失: 0.7994 | 累计平均损失: 0.6187
Epoch: 16/50 | Batch: 700/782 | 单Batch损失: 0.5427 | 累计平均损失: 0.6177
Epoch 16/50 完成 | 训练准确率: 78.41% | 测试准确率: 81.59%
Epoch: 17/50 | Batch: 100/782 | 单Batch损失: 0.5266 | 累计平均损失: 0.5960
Epoch: 17/50 | Batch: 200/782 | 单Batch损失: 0.7332 | 累计平均损失: 0.5981
Epoch: 17/50 | Batch: 300/782 | 单Batch损失: 0.6677 | 累计平均损失: 0.5992
Epoch: 17/50 | Batch: 400/782 | 单Batch损失: 0.6269 | 累计平均损失: 0.6030
Epoch: 17/50 | Batch: 500/782 | 单Batch损失: 0.4330 | 累计平均损失: 0.6001
Epoch: 17/50 | Batch: 600/782 | 单Batch损失: 0.6827 | 累计平均损失: 0.6030
Epoch: 17/50 | Batch: 700/782 | 单Batch损失: 0.7757 | 累计平均损失: 0.6043
Epoch 17/50 完成 | 训练准确率: 78.84% | 测试准确率: 81.42%
Epoch: 18/50 | Batch: 100/782 | 单Batch损失: 0.7345 | 累计平均损失: 0.5976
Epoch: 18/50 | Batch: 200/782 | 单Batch损失: 0.7850 | 累计平均损失: 0.5998
Epoch: 18/50 | Batch: 300/782 | 单Batch损失: 0.5234 | 累计平均损失: 0.5972
Epoch: 18/50 | Batch: 400/782 | 单Batch损失: 0.4762 | 累计平均损失: 0.5967
Epoch: 18/50 | Batch: 500/782 | 单Batch损失: 0.7294 | 累计平均损失: 0.5977
Epoch: 18/50 | Batch: 600/782 | 单Batch损失: 0.6068 | 累计平均损失: 0.5952
Epoch: 18/50 | Batch: 700/782 | 单Batch损失: 0.5859 | 累计平均损失: 0.5956
Epoch 18/50 完成 | 训练准确率: 78.96% | 测试准确率: 81.90%
Epoch: 19/50 | Batch: 100/782 | 单Batch损失: 0.6013 | 累计平均损失: 0.5767
Epoch: 19/50 | Batch: 200/782 | 单Batch损失: 0.6341 | 累计平均损失: 0.5840
Epoch: 19/50 | Batch: 300/782 | 单Batch损失: 0.6246 | 累计平均损失: 0.5874
Epoch: 19/50 | Batch: 400/782 | 单Batch损失: 0.5417 | 累计平均损失: 0.5855
Epoch: 19/50 | Batch: 500/782 | 单Batch损失: 0.6584 | 累计平均损失: 0.5847
Epoch: 19/50 | Batch: 600/782 | 单Batch损失: 0.5393 | 累计平均损失: 0.5888
Epoch: 19/50 | Batch: 700/782 | 单Batch损失: 0.4734 | 累计平均损失: 0.5892
Epoch 19/50 完成 | 训练准确率: 79.38% | 测试准确率: 82.15%
Epoch: 20/50 | Batch: 100/782 | 单Batch损失: 0.4258 | 累计平均损失: 0.5841
Epoch: 20/50 | Batch: 200/782 | 单Batch损失: 0.6048 | 累计平均损失: 0.5662
Epoch: 20/50 | Batch: 300/782 | 单Batch损失: 0.5237 | 累计平均损失: 0.5692
Epoch: 20/50 | Batch: 400/782 | 单Batch损失: 0.5404 | 累计平均损失: 0.5710
Epoch: 20/50 | Batch: 500/782 | 单Batch损失: 0.6614 | 累计平均损失: 0.5731
Epoch: 20/50 | Batch: 600/782 | 单Batch损失: 0.7740 | 累计平均损失: 0.5729
Epoch: 20/50 | Batch: 700/782 | 单Batch损失: 0.3294 | 累计平均损失: 0.5753
Epoch 20/50 完成 | 训练准确率: 79.93% | 测试准确率: 81.72%
Epoch: 21/50 | Batch: 100/782 | 单Batch损失: 0.4195 | 累计平均损失: 0.5726
Epoch: 21/50 | Batch: 200/782 | 单Batch损失: 0.5680 | 累计平均损失: 0.5708
Epoch: 21/50 | Batch: 300/782 | 单Batch损失: 0.6047 | 累计平均损失: 0.5673
Epoch: 21/50 | Batch: 400/782 | 单Batch损失: 0.5537 | 累计平均损失: 0.5648
Epoch: 21/50 | Batch: 500/782 | 单Batch损失: 0.4260 | 累计平均损失: 0.5661
Epoch: 21/50 | Batch: 600/782 | 单Batch损失: 0.5424 | 累计平均损失: 0.5645
Epoch: 21/50 | Batch: 700/782 | 单Batch损失: 0.3109 | 累计平均损失: 0.5659
Epoch 21/50 完成 | 训练准确率: 79.81% | 测试准确率: 82.05%
Epoch: 22/50 | Batch: 100/782 | 单Batch损失: 0.6141 | 累计平均损失: 0.5460
Epoch: 22/50 | Batch: 200/782 | 单Batch损失: 0.5135 | 累计平均损失: 0.5370
Epoch: 22/50 | Batch: 300/782 | 单Batch损失: 0.6318 | 累计平均损失: 0.5486
Epoch: 22/50 | Batch: 400/782 | 单Batch损失: 0.4363 | 累计平均损失: 0.5473
Epoch: 22/50 | Batch: 500/782 | 单Batch损失: 0.5028 | 累计平均损失: 0.5527
Epoch: 22/50 | Batch: 600/782 | 单Batch损失: 0.4362 | 累计平均损失: 0.5557
Epoch: 22/50 | Batch: 700/782 | 单Batch损失: 0.5752 | 累计平均损失: 0.5563
Epoch 22/50 完成 | 训练准确率: 80.46% | 测试准确率: 82.29%
Epoch: 23/50 | Batch: 100/782 | 单Batch损失: 0.5537 | 累计平均损失: 0.5370
Epoch: 23/50 | Batch: 200/782 | 单Batch损失: 0.5337 | 累计平均损失: 0.5337
Epoch: 23/50 | Batch: 300/782 | 单Batch损失: 0.5873 | 累计平均损失: 0.5369
Epoch: 23/50 | Batch: 400/782 | 单Batch损失: 0.7623 | 累计平均损失: 0.5390
Epoch: 23/50 | Batch: 500/782 | 单Batch损失: 0.4533 | 累计平均损失: 0.5421
Epoch: 23/50 | Batch: 600/782 | 单Batch损失: 0.5543 | 累计平均损失: 0.5465
Epoch: 23/50 | Batch: 700/782 | 单Batch损失: 0.4146 | 累计平均损失: 0.5463
Epoch 23/50 完成 | 训练准确率: 80.89% | 测试准确率: 82.92%
Epoch: 24/50 | Batch: 100/782 | 单Batch损失: 0.4168 | 累计平均损失: 0.5389
Epoch: 24/50 | Batch: 200/782 | 单Batch损失: 0.4921 | 累计平均损失: 0.5385
Epoch: 24/50 | Batch: 300/782 | 单Batch损失: 0.5152 | 累计平均损失: 0.5424
Epoch: 24/50 | Batch: 400/782 | 单Batch损失: 0.3739 | 累计平均损失: 0.5435
Epoch: 24/50 | Batch: 500/782 | 单Batch损失: 0.4745 | 累计平均损失: 0.5432
Epoch: 24/50 | Batch: 600/782 | 单Batch损失: 0.5423 | 累计平均损失: 0.5434
Epoch: 24/50 | Batch: 700/782 | 单Batch损失: 0.3809 | 累计平均损失: 0.5420
Epoch 24/50 完成 | 训练准确率: 80.93% | 测试准确率: 82.66%
Epoch: 25/50 | Batch: 100/782 | 单Batch损失: 0.4752 | 累计平均损失: 0.5348
Epoch: 25/50 | Batch: 200/782 | 单Batch损失: 0.4910 | 累计平均损失: 0.5449
Epoch: 25/50 | Batch: 300/782 | 单Batch损失: 0.4562 | 累计平均损失: 0.5392
Epoch: 25/50 | Batch: 400/782 | 单Batch损失: 0.6044 | 累计平均损失: 0.5429
Epoch: 25/50 | Batch: 500/782 | 单Batch损失: 0.4880 | 累计平均损失: 0.5410
Epoch: 25/50 | Batch: 600/782 | 单Batch损失: 0.6768 | 累计平均损失: 0.5404
Epoch: 25/50 | Batch: 700/782 | 单Batch损失: 0.4261 | 累计平均损失: 0.5385
Epoch 25/50 完成 | 训练准确率: 81.09% | 测试准确率: 83.42%
Epoch: 26/50 | Batch: 100/782 | 单Batch损失: 0.4698 | 累计平均损失: 0.5275
Epoch: 26/50 | Batch: 200/782 | 单Batch损失: 0.6020 | 累计平均损失: 0.5141
Epoch: 26/50 | Batch: 300/782 | 单Batch损失: 0.4640 | 累计平均损失: 0.5210
Epoch: 26/50 | Batch: 400/782 | 单Batch损失: 0.5530 | 累计平均损失: 0.5199
Epoch: 26/50 | Batch: 500/782 | 单Batch损失: 0.5909 | 累计平均损失: 0.5219
Epoch: 26/50 | Batch: 600/782 | 单Batch损失: 0.4496 | 累计平均损失: 0.5202
Epoch: 26/50 | Batch: 700/782 | 单Batch损失: 0.4959 | 累计平均损失: 0.5214
Epoch 26/50 完成 | 训练准确率: 81.59% | 测试准确率: 83.34%
Epoch: 27/50 | Batch: 100/782 | 单Batch损失: 0.4912 | 累计平均损失: 0.5275
Epoch: 27/50 | Batch: 200/782 | 单Batch损失: 0.3230 | 累计平均损失: 0.5282
Epoch: 27/50 | Batch: 300/782 | 单Batch损失: 0.7026 | 累计平均损失: 0.5213
Epoch: 27/50 | Batch: 400/782 | 单Batch损失: 0.5759 | 累计平均损失: 0.5221
Epoch: 27/50 | Batch: 500/782 | 单Batch损失: 0.6192 | 累计平均损失: 0.5240
Epoch: 27/50 | Batch: 600/782 | 单Batch损失: 0.5312 | 累计平均损失: 0.5235
Epoch: 27/50 | Batch: 700/782 | 单Batch损失: 0.3041 | 累计平均损失: 0.5230
Epoch 27/50 完成 | 训练准确率: 81.80% | 测试准确率: 83.49%
Epoch: 28/50 | Batch: 100/782 | 单Batch损失: 0.5010 | 累计平均损失: 0.5119
Epoch: 28/50 | Batch: 200/782 | 单Batch损失: 0.4114 | 累计平均损失: 0.5092
Epoch: 28/50 | Batch: 300/782 | 单Batch损失: 0.3182 | 累计平均损失: 0.5091
Epoch: 28/50 | Batch: 400/782 | 单Batch损失: 0.5412 | 累计平均损失: 0.5083
Epoch: 28/50 | Batch: 500/782 | 单Batch损失: 0.6991 | 累计平均损失: 0.5119
Epoch: 28/50 | Batch: 600/782 | 单Batch损失: 0.5231 | 累计平均损失: 0.5172
Epoch: 28/50 | Batch: 700/782 | 单Batch损失: 0.4770 | 累计平均损失: 0.5168
Epoch 28/50 完成 | 训练准确率: 81.93% | 测试准确率: 82.85%
Epoch: 29/50 | Batch: 100/782 | 单Batch损失: 0.4429 | 累计平均损失: 0.5098
Epoch: 29/50 | Batch: 200/782 | 单Batch损失: 0.5324 | 累计平均损失: 0.5116
Epoch: 29/50 | Batch: 300/782 | 单Batch损失: 0.5176 | 累计平均损失: 0.5164
Epoch: 29/50 | Batch: 400/782 | 单Batch损失: 0.3971 | 累计平均损失: 0.5200
Epoch: 29/50 | Batch: 500/782 | 单Batch损失: 0.3495 | 累计平均损失: 0.5177
Epoch: 29/50 | Batch: 600/782 | 单Batch损失: 0.4337 | 累计平均损失: 0.5158
Epoch: 29/50 | Batch: 700/782 | 单Batch损失: 0.5163 | 累计平均损失: 0.5167
Epoch 29/50 完成 | 训练准确率: 81.78% | 测试准确率: 83.21%
Epoch: 30/50 | Batch: 100/782 | 单Batch损失: 0.4154 | 累计平均损失: 0.5024
Epoch: 30/50 | Batch: 200/782 | 单Batch损失: 0.4409 | 累计平均损失: 0.5038
Epoch: 30/50 | Batch: 300/782 | 单Batch损失: 0.3822 | 累计平均损失: 0.5082
Epoch: 30/50 | Batch: 400/782 | 单Batch损失: 0.3868 | 累计平均损失: 0.5065
Epoch: 30/50 | Batch: 500/782 | 单Batch损失: 0.4744 | 累计平均损失: 0.5080
Epoch: 30/50 | Batch: 600/782 | 单Batch损失: 0.3914 | 累计平均损失: 0.5082
Epoch: 30/50 | Batch: 700/782 | 单Batch损失: 0.5919 | 累计平均损失: 0.5091
Epoch 30/50 完成 | 训练准确率: 82.22% | 测试准确率: 83.73%
Epoch: 31/50 | Batch: 100/782 | 单Batch损失: 0.6636 | 累计平均损失: 0.4782
Epoch: 31/50 | Batch: 200/782 | 单Batch损失: 0.4305 | 累计平均损失: 0.4843
Epoch: 31/50 | Batch: 300/782 | 单Batch损失: 0.3441 | 累计平均损失: 0.4899
Epoch: 31/50 | Batch: 400/782 | 单Batch损失: 0.2253 | 累计平均损失: 0.4973
Epoch: 31/50 | Batch: 500/782 | 单Batch损失: 0.8074 | 累计平均损失: 0.4958
Epoch: 31/50 | Batch: 600/782 | 单Batch损失: 0.3224 | 累计平均损失: 0.4952
Epoch: 31/50 | Batch: 700/782 | 单Batch损失: 0.4176 | 累计平均损失: 0.4984
Epoch 31/50 完成 | 训练准确率: 82.56% | 测试准确率: 83.04%
Epoch: 32/50 | Batch: 100/782 | 单Batch损失: 0.3378 | 累计平均损失: 0.4781
Epoch: 32/50 | Batch: 200/782 | 单Batch损失: 0.6153 | 累计平均损失: 0.4878
Epoch: 32/50 | Batch: 300/782 | 单Batch损失: 0.4981 | 累计平均损失: 0.4839
Epoch: 32/50 | Batch: 400/782 | 单Batch损失: 0.5784 | 累计平均损失: 0.4853
Epoch: 32/50 | Batch: 500/782 | 单Batch损失: 0.5205 | 累计平均损失: 0.4902
Epoch: 32/50 | Batch: 600/782 | 单Batch损失: 0.5108 | 累计平均损失: 0.4933
Epoch: 32/50 | Batch: 700/782 | 单Batch损失: 0.4801 | 累计平均损失: 0.4967
Epoch 32/50 完成 | 训练准确率: 82.57% | 测试准确率: 83.87%
Epoch: 33/50 | Batch: 100/782 | 单Batch损失: 0.3293 | 累计平均损失: 0.5005
Epoch: 33/50 | Batch: 200/782 | 单Batch损失: 0.3757 | 累计平均损失: 0.5099
Epoch: 33/50 | Batch: 300/782 | 单Batch损失: 0.4250 | 累计平均损失: 0.5016
Epoch: 33/50 | Batch: 400/782 | 单Batch损失: 0.3675 | 累计平均损失: 0.4970
Epoch: 33/50 | Batch: 500/782 | 单Batch损失: 0.7550 | 累计平均损失: 0.4929
Epoch: 33/50 | Batch: 600/782 | 单Batch损失: 0.5229 | 累计平均损失: 0.4943
Epoch: 33/50 | Batch: 700/782 | 单Batch损失: 0.5996 | 累计平均损失: 0.4929
Epoch 33/50 完成 | 训练准确率: 82.66% | 测试准确率: 84.35%
Epoch: 34/50 | Batch: 100/782 | 单Batch损失: 0.5276 | 累计平均损失: 0.4750
Epoch: 34/50 | Batch: 200/782 | 单Batch损失: 0.5395 | 累计平均损失: 0.4842
Epoch: 34/50 | Batch: 300/782 | 单Batch损失: 0.6171 | 累计平均损失: 0.4834
Epoch: 34/50 | Batch: 400/782 | 单Batch损失: 0.5044 | 累计平均损失: 0.4834
Epoch: 34/50 | Batch: 500/782 | 单Batch损失: 0.3619 | 累计平均损失: 0.4799
Epoch: 34/50 | Batch: 600/782 | 单Batch损失: 0.4427 | 累计平均损失: 0.4801
Epoch: 34/50 | Batch: 700/782 | 单Batch损失: 0.2871 | 累计平均损失: 0.4776
Epoch 34/50 完成 | 训练准确率: 83.03% | 测试准确率: 84.25%
Epoch: 35/50 | Batch: 100/782 | 单Batch损失: 0.4204 | 累计平均损失: 0.4768
Epoch: 35/50 | Batch: 200/782 | 单Batch损失: 0.3903 | 累计平均损失: 0.4778
Epoch: 35/50 | Batch: 300/782 | 单Batch损失: 0.5510 | 累计平均损失: 0.4811
Epoch: 35/50 | Batch: 400/782 | 单Batch损失: 0.4071 | 累计平均损失: 0.4827
Epoch: 35/50 | Batch: 500/782 | 单Batch损失: 0.6767 | 累计平均损失: 0.4834
Epoch: 35/50 | Batch: 600/782 | 单Batch损失: 0.6159 | 累计平均损失: 0.4836
Epoch: 35/50 | Batch: 700/782 | 单Batch损失: 0.5365 | 累计平均损失: 0.4837
Epoch 35/50 完成 | 训练准确率: 83.03% | 测试准确率: 83.79%
Epoch: 36/50 | Batch: 100/782 | 单Batch损失: 0.5101 | 累计平均损失: 0.4636
Epoch: 36/50 | Batch: 200/782 | 单Batch损失: 0.3356 | 累计平均损失: 0.4753
Epoch: 36/50 | Batch: 300/782 | 单Batch损失: 0.4418 | 累计平均损失: 0.4777
Epoch: 36/50 | Batch: 400/782 | 单Batch损失: 0.4402 | 累计平均损失: 0.4787
Epoch: 36/50 | Batch: 500/782 | 单Batch损失: 0.6002 | 累计平均损失: 0.4772
Epoch: 36/50 | Batch: 600/782 | 单Batch损失: 0.5069 | 累计平均损失: 0.4766
Epoch: 36/50 | Batch: 700/782 | 单Batch损失: 0.5025 | 累计平均损失: 0.4786
Epoch 36/50 完成 | 训练准确率: 83.11% | 测试准确率: 83.91%
Epoch: 37/50 | Batch: 100/782 | 单Batch损失: 0.3524 | 累计平均损失: 0.4768
Epoch: 37/50 | Batch: 200/782 | 单Batch损失: 0.3988 | 累计平均损失: 0.4743
Epoch: 37/50 | Batch: 300/782 | 单Batch损失: 0.2763 | 累计平均损失: 0.4680
Epoch: 37/50 | Batch: 400/782 | 单Batch损失: 0.4226 | 累计平均损失: 0.4707
Epoch: 37/50 | Batch: 500/782 | 单Batch损失: 0.5607 | 累计平均损失: 0.4676
Epoch: 37/50 | Batch: 600/782 | 单Batch损失: 0.6273 | 累计平均损失: 0.4685
Epoch: 37/50 | Batch: 700/782 | 单Batch损失: 0.3441 | 累计平均损失: 0.4702
Epoch 37/50 完成 | 训练准确率: 83.51% | 测试准确率: 84.10%
Epoch: 38/50 | Batch: 100/782 | 单Batch损失: 0.2496 | 累计平均损失: 0.4710
Epoch: 38/50 | Batch: 200/782 | 单Batch损失: 0.3790 | 累计平均损失: 0.4630
Epoch: 38/50 | Batch: 300/782 | 单Batch损失: 0.4598 | 累计平均损失: 0.4654
Epoch: 38/50 | Batch: 400/782 | 单Batch损失: 0.2308 | 累计平均损失: 0.4670
Epoch: 38/50 | Batch: 500/782 | 单Batch损失: 0.4555 | 累计平均损失: 0.4667
Epoch: 38/50 | Batch: 600/782 | 单Batch损失: 0.3310 | 累计平均损失: 0.4670
Epoch: 38/50 | Batch: 700/782 | 单Batch损失: 0.5167 | 累计平均损失: 0.4683
Epoch 38/50 完成 | 训练准确率: 83.45% | 测试准确率: 84.55%
Epoch: 39/50 | Batch: 100/782 | 单Batch损失: 0.5369 | 累计平均损失: 0.4406
Epoch: 39/50 | Batch: 200/782 | 单Batch损失: 0.4720 | 累计平均损失: 0.4525
Epoch: 39/50 | Batch: 300/782 | 单Batch损失: 0.5163 | 累计平均损失: 0.4552
Epoch: 39/50 | Batch: 400/782 | 单Batch损失: 0.5144 | 累计平均损失: 0.4587
Epoch: 39/50 | Batch: 500/782 | 单Batch损失: 0.5030 | 累计平均损失: 0.4568
Epoch: 39/50 | Batch: 600/782 | 单Batch损失: 0.5137 | 累计平均损失: 0.4572
Epoch: 39/50 | Batch: 700/782 | 单Batch损失: 0.4247 | 累计平均损失: 0.4610
Epoch 39/50 完成 | 训练准确率: 84.10% | 测试准确率: 84.82%
Epoch: 40/50 | Batch: 100/782 | 单Batch损失: 0.4856 | 累计平均损失: 0.4446
Epoch: 40/50 | Batch: 200/782 | 单Batch损失: 0.4486 | 累计平均损失: 0.4451
Epoch: 40/50 | Batch: 300/782 | 单Batch损失: 0.6854 | 累计平均损失: 0.4524
Epoch: 40/50 | Batch: 400/782 | 单Batch损失: 0.4374 | 累计平均损失: 0.4545
Epoch: 40/50 | Batch: 500/782 | 单Batch损失: 0.5333 | 累计平均损失: 0.4548
Epoch: 40/50 | Batch: 600/782 | 单Batch损失: 0.4451 | 累计平均损失: 0.4540
Epoch: 40/50 | Batch: 700/782 | 单Batch损失: 0.3313 | 累计平均损失: 0.4561
Epoch 40/50 完成 | 训练准确率: 84.03% | 测试准确率: 84.06%
Epoch: 41/50 | Batch: 100/782 | 单Batch损失: 0.6359 | 累计平均损失: 0.4338
Epoch: 41/50 | Batch: 200/782 | 单Batch损失: 0.6228 | 累计平均损失: 0.4362
Epoch: 41/50 | Batch: 300/782 | 单Batch损失: 0.4602 | 累计平均损失: 0.4395
Epoch: 41/50 | Batch: 400/782 | 单Batch损失: 0.5289 | 累计平均损失: 0.4411
Epoch: 41/50 | Batch: 500/782 | 单Batch损失: 0.1923 | 累计平均损失: 0.4482
Epoch: 41/50 | Batch: 600/782 | 单Batch损失: 0.5002 | 累计平均损失: 0.4503
Epoch: 41/50 | Batch: 700/782 | 单Batch损失: 0.4331 | 累计平均损失: 0.4515
Epoch 41/50 完成 | 训练准确率: 84.16% | 测试准确率: 84.30%
Epoch: 42/50 | Batch: 100/782 | 单Batch损失: 0.2927 | 累计平均损失: 0.4575
Epoch: 42/50 | Batch: 200/782 | 单Batch损失: 0.5081 | 累计平均损失: 0.4661
Epoch: 42/50 | Batch: 300/782 | 单Batch损失: 0.4409 | 累计平均损失: 0.4508
Epoch: 42/50 | Batch: 400/782 | 单Batch损失: 0.4221 | 累计平均损失: 0.4510
Epoch: 42/50 | Batch: 500/782 | 单Batch损失: 0.6921 | 累计平均损失: 0.4512
Epoch: 42/50 | Batch: 600/782 | 单Batch损失: 0.3736 | 累计平均损失: 0.4533
Epoch: 42/50 | Batch: 700/782 | 单Batch损失: 0.7310 | 累计平均损失: 0.4527
Epoch 42/50 完成 | 训练准确率: 84.05% | 测试准确率: 85.00%
Epoch: 43/50 | Batch: 100/782 | 单Batch损失: 0.4318 | 累计平均损失: 0.4327
Epoch: 43/50 | Batch: 200/782 | 单Batch损失: 0.4159 | 累计平均损失: 0.4383
Epoch: 43/50 | Batch: 300/782 | 单Batch损失: 0.4297 | 累计平均损失: 0.4440
Epoch: 43/50 | Batch: 400/782 | 单Batch损失: 0.4655 | 累计平均损失: 0.4415
Epoch: 43/50 | Batch: 500/782 | 单Batch损失: 0.5582 | 累计平均损失: 0.4413
Epoch: 43/50 | Batch: 600/782 | 单Batch损失: 0.4865 | 累计平均损失: 0.4439
Epoch: 43/50 | Batch: 700/782 | 单Batch损失: 0.3808 | 累计平均损失: 0.4453
Epoch 43/50 完成 | 训练准确率: 84.28% | 测试准确率: 85.34%
Epoch: 44/50 | Batch: 100/782 | 单Batch损失: 0.6185 | 累计平均损失: 0.4569
Epoch: 44/50 | Batch: 200/782 | 单Batch损失: 0.3523 | 累计平均损失: 0.4493
Epoch: 44/50 | Batch: 300/782 | 单Batch损失: 0.3725 | 累计平均损失: 0.4465
Epoch: 44/50 | Batch: 400/782 | 单Batch损失: 0.4782 | 累计平均损失: 0.4432
Epoch: 44/50 | Batch: 500/782 | 单Batch损失: 0.4291 | 累计平均损失: 0.4426
Epoch: 44/50 | Batch: 600/782 | 单Batch损失: 0.3261 | 累计平均损失: 0.4436
Epoch: 44/50 | Batch: 700/782 | 单Batch损失: 0.3864 | 累计平均损失: 0.4467
Epoch 44/50 完成 | 训练准确率: 84.43% | 测试准确率: 85.17%
Epoch: 45/50 | Batch: 100/782 | 单Batch损失: 0.4465 | 累计平均损失: 0.4237
Epoch: 45/50 | Batch: 200/782 | 单Batch损失: 0.4268 | 累计平均损失: 0.4320
Epoch: 45/50 | Batch: 300/782 | 单Batch损失: 0.2975 | 累计平均损失: 0.4398
Epoch: 45/50 | Batch: 400/782 | 单Batch损失: 0.3018 | 累计平均损失: 0.4354
Epoch: 45/50 | Batch: 500/782 | 单Batch损失: 0.4283 | 累计平均损失: 0.4347
Epoch: 45/50 | Batch: 600/782 | 单Batch损失: 0.4966 | 累计平均损失: 0.4367
Epoch: 45/50 | Batch: 700/782 | 单Batch损失: 0.3896 | 累计平均损失: 0.4327
Epoch 45/50 完成 | 训练准确率: 84.75% | 测试准确率: 84.73%
Epoch: 46/50 | Batch: 100/782 | 单Batch损失: 0.6075 | 累计平均损失: 0.4179
Epoch: 46/50 | Batch: 200/782 | 单Batch损失: 0.3246 | 累计平均损失: 0.4256
Epoch: 46/50 | Batch: 300/782 | 单Batch损失: 0.3803 | 累计平均损失: 0.4277
Epoch: 46/50 | Batch: 400/782 | 单Batch损失: 0.5032 | 累计平均损失: 0.4340
Epoch: 46/50 | Batch: 500/782 | 单Batch损失: 0.5044 | 累计平均损失: 0.4368
Epoch: 46/50 | Batch: 600/782 | 单Batch损失: 0.4445 | 累计平均损失: 0.4375
Epoch: 46/50 | Batch: 700/782 | 单Batch损失: 0.3823 | 累计平均损失: 0.4353
Epoch 46/50 完成 | 训练准确率: 84.66% | 测试准确率: 84.92%
Epoch: 47/50 | Batch: 100/782 | 单Batch损失: 0.3911 | 累计平均损失: 0.4165
Epoch: 47/50 | Batch: 200/782 | 单Batch损失: 0.3705 | 累计平均损失: 0.4206
Epoch: 47/50 | Batch: 300/782 | 单Batch损失: 0.3833 | 累计平均损失: 0.4237
Epoch: 47/50 | Batch: 400/782 | 单Batch损失: 0.3102 | 累计平均损失: 0.4310
Epoch: 47/50 | Batch: 500/782 | 单Batch损失: 0.6797 | 累计平均损失: 0.4341
Epoch: 47/50 | Batch: 600/782 | 单Batch损失: 0.5170 | 累计平均损失: 0.4333
Epoch: 47/50 | Batch: 700/782 | 单Batch损失: 0.2273 | 累计平均损失: 0.4354
Epoch 47/50 完成 | 训练准确率: 84.53% | 测试准确率: 85.19%
Epoch: 48/50 | Batch: 100/782 | 单Batch损失: 0.3407 | 累计平均损失: 0.4269
Epoch: 48/50 | Batch: 200/782 | 单Batch损失: 0.4291 | 累计平均损失: 0.4359
Epoch: 48/50 | Batch: 300/782 | 单Batch损失: 0.4116 | 累计平均损失: 0.4301
Epoch: 48/50 | Batch: 400/782 | 单Batch损失: 0.3533 | 累计平均损失: 0.4280
Epoch: 48/50 | Batch: 500/782 | 单Batch损失: 0.4007 | 累计平均损失: 0.4289
Epoch: 48/50 | Batch: 600/782 | 单Batch损失: 0.3441 | 累计平均损失: 0.4286
Epoch: 48/50 | Batch: 700/782 | 单Batch损失: 0.2028 | 累计平均损失: 0.4260
Epoch 48/50 完成 | 训练准确率: 85.02% | 测试准确率: 85.23%
Epoch: 49/50 | Batch: 100/782 | 单Batch损失: 0.3993 | 累计平均损失: 0.4301
Epoch: 49/50 | Batch: 200/782 | 单Batch损失: 0.4408 | 累计平均损失: 0.4256
Epoch: 49/50 | Batch: 300/782 | 单Batch损失: 0.3827 | 累计平均损失: 0.4271
Epoch: 49/50 | Batch: 400/782 | 单Batch损失: 0.4442 | 累计平均损失: 0.4296
Epoch: 49/50 | Batch: 500/782 | 单Batch损失: 0.3718 | 累计平均损失: 0.4299
Epoch: 49/50 | Batch: 600/782 | 单Batch损失: 0.4613 | 累计平均损失: 0.4291
Epoch: 49/50 | Batch: 700/782 | 单Batch损失: 0.4553 | 累计平均损失: 0.4281
Epoch 49/50 完成 | 训练准确率: 84.85% | 测试准确率: 84.77%
Epoch: 50/50 | Batch: 100/782 | 单Batch损失: 0.3624 | 累计平均损失: 0.4279
Epoch: 50/50 | Batch: 200/782 | 单Batch损失: 0.3627 | 累计平均损失: 0.4249
Epoch: 50/50 | Batch: 300/782 | 单Batch损失: 0.5760 | 累计平均损失: 0.4246
Epoch: 50/50 | Batch: 400/782 | 单Batch损失: 0.3062 | 累计平均损失: 0.4201
Epoch: 50/50 | Batch: 500/782 | 单Batch损失: 0.3788 | 累计平均损失: 0.4223
Epoch: 50/50 | Batch: 600/782 | 单Batch损失: 0.4791 | 累计平均损失: 0.4217
Epoch: 50/50 | Batch: 700/782 | 单Batch损失: 0.3514 | 累计平均损失: 0.4232
Epoch 50/50 完成 | 训练准确率: 85.19% | 测试准确率: 85.07%

训练完成！最终测试准确率: 85.07%

@浙大疏锦行