python训练营打卡第47天
注意力热图可视化
昨天代码中注意力热图的部分顺移至今天
知识点回顾：
热力图
作业：对比不同卷积层热图可视化的结果
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}")# 1. 数据预处理
# 训练集：使用多种数据增强方法提高模型泛化能力
train_transform = transforms.Compose([# 随机裁剪图像，从原图中随机截取32x32大小的区域transforms.RandomCrop(32, padding=4),# 随机水平翻转图像（概率0.5）transforms.RandomHorizontalFlip(),# 随机颜色抖动：亮度、对比度、饱和度和色调随机变化transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),# 随机旋转图像（最大角度15度）transforms.RandomRotation(15),# 将PIL图像或numpy数组转换为张量transforms.ToTensor(),# 标准化处理：每个通道的均值和标准差，使数据分布更合理transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))
])# 测试集：仅进行必要的标准化，保持数据原始特性，标准化不损失数据信息，可还原
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 # 使用增强后的预处理
)test_dataset = datasets.CIFAR10(root='./data',train=False,transform=test_transform # 测试集不使用增强
)# ---------------------- 新增：定义类别名称 ----------------------
class_names = ['飞机', '汽车', '鸟', '猫', '鹿','狗', '青蛙', '马', '船', '卡车'
]# 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)# 4. 定义CNN模型的定义（替代原MLP）
class CNN(nn.Module):def __init__(self):super(CNN, self).__init__() # 继承父类初始化# ---------------------- 第一个卷积块 ----------------------# 卷积层1：输入3通道（RGB），输出32个特征图，卷积核3x3，边缘填充1像素self.conv1 = nn.Conv2d(in_channels=3, # 输入通道数（图像的RGB通道）out_channels=32, # 输出通道数（生成32个新特征图）kernel_size=3, # 卷积核尺寸（3x3像素）padding=1 # 边缘填充1像素，保持输出尺寸与输入相同)# 批量归一化层：对32个输出通道进行归一化，加速训练self.bn1 = nn.BatchNorm2d(num_features=32)# ReLU激活函数：引入非线性，公式：max(0, x)self.relu1 = nn.ReLU()# 最大池化层：窗口2x2，步长2，特征图尺寸减半（32x32→16x16）self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2) # stride默认等于kernel_size# ---------------------- 第二个卷积块 ----------------------# 卷积层2：输入32通道（来自conv1的输出），输出64通道self.conv2 = nn.Conv2d(in_channels=32, # 输入通道数（前一层的输出通道数）out_channels=64, # 输出通道数（特征图数量翻倍）kernel_size=3, # 卷积核尺寸不变padding=1 # 保持尺寸：16x16→16x16（卷积后）→8x8（池化后）)self.bn2 = nn.BatchNorm2d(num_features=64)self.relu2 = nn.ReLU()self.pool2 = nn.MaxPool2d(kernel_size=2) # 尺寸减半：16x16→8x8# ---------------------- 第三个卷积块 ----------------------# 卷积层3：输入64通道，输出128通道self.conv3 = nn.Conv2d(in_channels=64, # 输入通道数（前一层的输出通道数）out_channels=128, # 输出通道数（特征图数量再次翻倍）kernel_size=3,padding=1 # 保持尺寸：8x8→8x8（卷积后）→4x4（池化后）)self.bn3 = nn.BatchNorm2d(num_features=128)self.relu3 = nn.ReLU() # 复用激活函数对象（节省内存）self.pool3 = nn.MaxPool2d(kernel_size=2) # 尺寸减半：8x8→4x4# ---------------------- 全连接层（分类器） ----------------------# 计算展平后的特征维度：128通道 × 4x4尺寸 = 128×16=2048维self.fc1 = nn.Linear(in_features=128 * 4 * 4, # 输入维度（卷积层输出的特征数）out_features=512 # 输出维度（隐藏层神经元数）)# Dropout层：训练时随机丢弃50%神经元，防止过拟合self.dropout = nn.Dropout(p=0.5)# 输出层：将512维特征映射到10个类别（CIFAR-10的类别数）self.fc2 = nn.Linear(in_features=512, out_features=10)def forward(self, x):# 输入尺寸：[batch_size, 3, 32, 32]（batch_size=批量大小，3=通道数，32x32=图像尺寸）# ---------- 卷积块1处理 ----------x = self.conv1(x) # 卷积后尺寸：[batch_size, 32, 32, 32]（padding=1保持尺寸）x = self.bn1(x) # 批量归一化，不改变尺寸x = self.relu1(x) # 激活函数，不改变尺寸x = self.pool1(x) # 池化后尺寸：[batch_size, 32, 16, 16]（32→16是因为池化窗口2x2）# ---------- 卷积块2处理 ----------x = self.conv2(x) # 卷积后尺寸：[batch_size, 64, 16, 16]（padding=1保持尺寸）x = self.bn2(x)x = self.relu2(x)x = self.pool2(x) # 池化后尺寸：[batch_size, 64, 8, 8]# ---------- 卷积块3处理 ----------x = self.conv3(x) # 卷积后尺寸：[batch_size, 128, 8, 8]（padding=1保持尺寸）x = self.bn3(x)x = self.relu3(x)x = self.pool3(x) # 池化后尺寸：[batch_size, 128, 4, 4]# ---------- 展平与全连接层 ----------# 将多维特征图展平为一维向量：[batch_size, 128*4*4] = [batch_size, 2048]x = x.view(-1, 128 * 4 * 4) # -1自动计算批量维度，保持批量大小不变x = self.fc1(x) # 全连接层：2048→512，尺寸变为[batch_size, 512]x = self.relu3(x) # 激活函数（复用relu3，与卷积块3共用）x = self.dropout(x) # Dropout随机丢弃神经元，不改变尺寸x = self.fc2(x) # 全连接层：512→10，尺寸变为[batch_size, 10]（未激活，直接输出logits）return x # 输出未经过Softmax的logits，适用于交叉熵损失函数# ===================== 新增：通道注意力模块（SE模块） =====================
class ChannelAttention(nn.Module):"""通道注意力模块(Squeeze-and-Excitation)"""def __init__(self, in_channels, reduction_ratio=16):"""参数:in_channels: 输入特征图的通道数reduction_ratio: 降维比例，用于减少参数量"""super(ChannelAttention, self).__init__()# 全局平均池化 - 将空间维度压缩为1x1，保留通道信息self.avg_pool = nn.AdaptiveAvgPool2d(1)# 全连接层 + 激活函数，用于学习通道间的依赖关系self.fc = nn.Sequential(# 降维：压缩通道数，减少计算量nn.Linear(in_channels, in_channels // reduction_ratio, bias=False),nn.ReLU(inplace=True),# 升维：恢复原始通道数nn.Linear(in_channels // reduction_ratio, in_channels, bias=False),# Sigmoid将输出值归一化到[0,1]，表示通道重要性权重nn.Sigmoid())def forward(self, x):"""参数:x: 输入特征图，形状为 [batch_size, channels, height, width]返回:加权后的特征图，形状不变"""batch_size, channels, height, width = x.size()# 1. 全局平均池化：[batch_size, channels, height, width] → [batch_size, channels, 1, 1]avg_pool_output = self.avg_pool(x)# 2. 展平为一维向量：[batch_size, channels, 1, 1] → [batch_size, channels]avg_pool_output = avg_pool_output.view(batch_size, channels)# 3. 通过全连接层学习通道权重：[batch_size, channels] → [batch_size, channels]channel_weights = self.fc(avg_pool_output)# 4. 重塑为二维张量：[batch_size, channels] → [batch_size, channels, 1, 1]channel_weights = channel_weights.view(batch_size, channels, 1, 1)# 5. 将权重应用到原始特征图上（逐通道相乘）return x * channel_weights # 输出形状：[batch_size, channels, height, width]class CNN(nn.Module):def __init__(self):super(CNN, self).__init__() # ---------------------- 第一个卷积块 ----------------------self.conv1 = nn.Conv2d(3, 32, 3, padding=1)self.bn1 = nn.BatchNorm2d(32)self.relu1 = nn.ReLU()# 新增：插入通道注意力模块（SE模块）self.ca1 = ChannelAttention(in_channels=32, reduction_ratio=16) self.pool1 = nn.MaxPool2d(2, 2) # ---------------------- 第二个卷积块 ----------------------self.conv2 = nn.Conv2d(32, 64, 3, padding=1)self.bn2 = nn.BatchNorm2d(64)self.relu2 = nn.ReLU()# 新增：插入通道注意力模块（SE模块）self.ca2 = ChannelAttention(in_channels=64, reduction_ratio=16) self.pool2 = nn.MaxPool2d(2) # ---------------------- 第三个卷积块 ----------------------self.conv3 = nn.Conv2d(64, 128, 3, padding=1)self.bn3 = nn.BatchNorm2d(128)self.relu3 = nn.ReLU()# 新增：插入通道注意力模块（SE模块）self.ca3 = ChannelAttention(in_channels=128, reduction_ratio=16) self.pool3 = nn.MaxPool2d(2) # ---------------------- 全连接层（分类器） ----------------------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):# ---------- 卷积块1处理 ----------x = self.conv1(x) x = self.bn1(x) x = self.relu1(x) x = self.ca1(x) # 应用通道注意力x = self.pool1(x) # ---------- 卷积块2处理 ----------x = self.conv2(x) x = self.bn2(x) x = self.relu2(x) x = self.ca2(x) # 应用通道注意力x = self.pool2(x) # ---------- 卷积块3处理 ----------x = self.conv3(x) x = self.bn3(x) x = self.relu3(x) x = self.ca3(x) # 应用通道注意力x = self.pool3(x) # ---------- 展平与全连接层 ----------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 # 重新初始化模型，包含通道注意力模块
model = CNN()
model = model.to(device) # 将模型移至GPU（如果可用）criterion = nn.CrossEntropyLoss() # 交叉熵损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001) # Adam优化器# 引入学习率调度器，在训练过程中动态调整学习率--训练初期使用较大的 LR 快速降低损失，训练后期使用较小的 LR 更精细地逼近全局最优解。
# 在每个 epoch 结束后，需要手动调用调度器来更新学习率，可以在训练过程中调用 scheduler.step()
scheduler = optim.lr_scheduler.ReduceLROnPlateau(optimizer, # 指定要控制的优化器（这里是Adam）mode='min', # 监测的指标是"最小化"（如损失函数）patience=3, # 如果连续3个epoch指标没有改善，才降低LRfactor=0.5 # 降低LR的比例（新LR = 旧LR × 0.5）
)# 5. 训练模型（记录每个 iteration 的损失）
def train(model, train_loader, test_loader, criterion, optimizer, scheduler, device, epochs):model.train() # 设置为训练模式# 记录每个 iteration 的损失all_iter_losses = [] # 存储所有 batch 的损失iter_indices = [] # 存储 iteration 序号# 记录每个 epoch 的准确率和损失train_acc_history = []test_acc_history = []train_loss_history = []test_loss_history = []for epoch in range(epochs):running_loss = 0.0correct = 0total = 0for batch_idx, (data, target) in enumerate(train_loader):data, target = data.to(device), target.to(device) # 移至GPUoptimizer.zero_grad() # 梯度清零output = model(data) # 前向传播loss = criterion(output, target) # 计算损失loss.backward() # 反向传播optimizer.step() # 更新参数# 记录当前 iteration 的损失iter_loss = loss.item()all_iter_losses.append(iter_loss)iter_indices.append(epoch * len(train_loader) + batch_idx + 1)# 统计准确率和损失running_loss += iter_loss_, predicted = output.max(1)total += target.size(0)correct += predicted.eq(target).sum().item()# 每100个批次打印一次训练信息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}')# 计算当前epoch的平均训练损失和准确率epoch_train_loss = running_loss / len(train_loader)epoch_train_acc = 100. * correct / totaltrain_acc_history.append(epoch_train_acc)train_loss_history.append(epoch_train_loss)# 测试阶段model.eval() # 设置为评估模式test_loss = 0correct_test = 0total_test = 0with 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_testtest_acc_history.append(epoch_test_acc)test_loss_history.append(epoch_test_loss)# 更新学习率调度器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}%')# 绘制所有 iteration 的损失曲线plot_iter_losses(all_iter_losses, iter_indices)# 绘制每个 epoch 的准确率和损失曲线plot_epoch_metrics(train_acc_history, test_acc_history, train_loss_history, test_loss_history)return epoch_test_acc # 返回最终测试准确率# 6. 绘制每个 iteration 的损失曲线
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()# 7. 绘制每个 epoch 的准确率和损失曲线
def plot_epoch_metrics(train_acc, test_acc, train_loss, test_loss):epochs = range(1, len(train_acc) + 1)plt.figure(figsize=(12, 4))# 绘制准确率曲线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)# 绘制损失曲线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()# 8. 执行训练和测试
epochs = 50 # 增加训练轮次为了确保收敛
print("开始使用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_cnn_model.pth')
# print("模型已保存为: cifar10_cnn_model.pth")# 可视化空间注意力热力图（显示模型关注的图像区域）
def visualize_attention_map(model, test_loader, device, class_names, num_samples=3):"""可视化模型的注意力热力图，展示模型关注的图像区域"""model.eval() # 设置为评估模式with torch.no_grad():for i, (images, labels) in enumerate(test_loader):if i >= num_samples: # 只可视化前几个样本breakimages, labels = images.to(device), labels.to(device)# 创建一个钩子，捕获中间特征图activation_maps = []def hook(module, input, output):activation_maps.append(output.cpu())# 为最后一个卷积层注册钩子（获取特征图）hook_handle = model.conv3.register_forward_hook(hook)# 前向传播，触发钩子outputs = model(images)# 移除钩子hook_handle.remove()# 获取预测结果_, predicted = torch.max(outputs, 1)# 获取原始图像img = images[0].cpu().permute(1, 2, 0).numpy()# 反标准化处理img = img * np.array([0.2023, 0.1994, 0.2010]).reshape(1, 1, 3) + np.array([0.4914, 0.4822, 0.4465]).reshape(1, 1, 3)img = np.clip(img, 0, 1)# 获取激活图（最后一个卷积层的输出）feature_map = activation_maps[0][0].cpu() # 取第一个样本# 计算通道注意力权重（使用SE模块的全局平均池化）channel_weights = torch.mean(feature_map, dim=(1, 2)) # [C]# 按权重对通道排序sorted_indices = torch.argsort(channel_weights, descending=True)# 创建子图fig, axes = plt.subplots(1, 4, figsize=(16, 4))# 显示原始图像axes[0].imshow(img)axes[0].set_title(f'原始图像\n真实: {class_names[labels[0]]}\n预测: {class_names[predicted[0]]}')axes[0].axis('off')# 显示前3个最活跃通道的热力图for j in range(3):channel_idx = sorted_indices[j]# 获取对应通道的特征图channel_map = feature_map[channel_idx].numpy()# 归一化到[0,1]channel_map = (channel_map - channel_map.min()) / (channel_map.max() - channel_map.min() + 1e-8)# 调整热力图大小以匹配原始图像from scipy.ndimage import zoomheatmap = zoom(channel_map, (32/feature_map.shape[1], 32/feature_map.shape[2]))# 显示热力图axes[j+1].imshow(img)axes[j+1].imshow(heatmap, alpha=0.5, cmap='jet')axes[j+1].set_title(f'注意力热力图 - 通道 {channel_idx}')axes[j+1].axis('off')plt.tight_layout()plt.show()# 调用可视化函数
visualize_attention_map(model, test_loader, device, class_names, num_samples=3) 输出结果：
使用设备: cpu
开始使用CNN训练模型...
Epoch: 1/50 | Batch: 100/782 | 单Batch损失: 1.7322 | 累计平均损失: 2.0719
Epoch: 1/50 | Batch: 200/782 | 单Batch损失: 1.6426 | 累计平均损失: 1.9310
Epoch: 1/50 | Batch: 300/782 | 单Batch损失: 1.7404 | 累计平均损失: 1.8601
Epoch: 1/50 | Batch: 400/782 | 单Batch损失: 1.5785 | 累计平均损失: 1.8092
Epoch: 1/50 | Batch: 500/782 | 单Batch损失: 1.3831 | 累计平均损失: 1.7645
Epoch: 1/50 | Batch: 600/782 | 单Batch损失: 1.5784 | 累计平均损失: 1.7336
Epoch: 1/50 | Batch: 700/782 | 单Batch损失: 1.5027 | 累计平均损失: 1.7028
Epoch 1/50 完成 | 训练准确率: 38.04% | 测试准确率: 52.21%
Epoch: 2/50 | Batch: 100/782 | 单Batch损失: 1.4420 | 累计平均损失: 1.4334
Epoch: 2/50 | Batch: 200/782 | 单Batch损失: 1.4407 | 累计平均损失: 1.3831
PS E:\shucai\py> ^C
PS E:\shucai\py>
PS E:\shucai\py> e:; cd 'e:\shucai\py'; & 'e:\anaconda\python.exe' 'c:\Users\Administrator\.vscode\extensions\ms-python.debugpy-2025.8.0-win32-x64\bundled\libs\debugpy\launcher' '63382' '--' 'E:\shucai\py\6.7\day47_2'
使用设备: cpu
开始使用CNN训练模型...
Epoch: 1/50 | Batch: 100/782 | 单Batch损失: 1.6177 | 累计平均损失: 1.9574
Epoch: 1/50 | Batch: 200/782 | 单Batch损失: 1.6958 | 累计平均损失: 1.8440
Epoch: 1/50 | Batch: 300/782 | 单Batch损失: 1.5517 | 累计平均损失: 1.7837
Epoch: 1/50 | Batch: 400/782 | 单Batch损失: 1.3691 | 累计平均损失: 1.7368
Epoch: 1/50 | Batch: 500/782 | 单Batch损失: 1.4501 | 累计平均损失: 1.6980
Epoch: 1/50 | Batch: 600/782 | 单Batch损失: 1.4234 | 累计平均损失: 1.6646
Epoch: 1/50 | Batch: 700/782 | 单Batch损失: 1.4926 | 累计平均损失: 1.6325
Epoch 1/50 完成 | 训练准确率: 40.76% | 测试准确率: 52.96%
Epoch: 2/50 | Batch: 100/782 | 单Batch损失: 1.2472 | 累计平均损失: 1.3965
Epoch: 2/50 | Batch: 200/782 | 单Batch损失: 1.3147 | 累计平均损失: 1.3429
Epoch: 2/50 | Batch: 300/782 | 单Batch损失: 1.3397 | 累计平均损失: 1.3221
Epoch: 2/50 | Batch: 400/782 | 单Batch损失: 1.4848 | 累计平均损失: 1.3044
Epoch: 2/50 | Batch: 500/782 | 单Batch损失: 1.1354 | 累计平均损失: 1.2862
Epoch: 2/50 | Batch: 600/782 | 单Batch损失: 1.1883 | 累计平均损失: 1.2678
Epoch: 2/50 | Batch: 700/782 | 单Batch损失: 1.1364 | 累计平均损失: 1.2575
Epoch 2/50 完成 | 训练准确率: 55.14% | 测试准确率: 63.38%
Epoch: 3/50 | Batch: 100/782 | 单Batch损失: 1.0086 | 累计平均损失: 1.1096
Epoch: 3/50 | Batch: 200/782 | 单Batch损失: 1.0149 | 累计平均损失: 1.1084
Epoch: 3/50 | Batch: 300/782 | 单Batch损失: 1.1070 | 累计平均损失: 1.1010
Epoch: 3/50 | Batch: 400/782 | 单Batch损失: 1.0397 | 累计平均损失: 1.0983
Epoch: 3/50 | Batch: 500/782 | 单Batch损失: 0.9870 | 累计平均损失: 1.0892
Epoch: 3/50 | Batch: 600/782 | 单Batch损失: 1.0462 | 累计平均损失: 1.0852
Epoch: 3/50 | Batch: 700/782 | 单Batch损失: 1.1592 | 累计平均损失: 1.0783
Epoch 3/50 完成 | 训练准确率: 61.62% | 测试准确率: 68.97%
Epoch: 4/50 | Batch: 100/782 | 单Batch损失: 1.0148 | 累计平均损失: 1.0019
Epoch: 4/50 | Batch: 200/782 | 单Batch损失: 0.8300 | 累计平均损失: 0.9964
Epoch: 4/50 | Batch: 300/782 | 单Batch损失: 0.8960 | 累计平均损失: 0.9894
Epoch: 4/50 | Batch: 400/782 | 单Batch损失: 0.8664 | 累计平均损失: 0.9928
Epoch: 4/50 | Batch: 500/782 | 单Batch损失: 0.6554 | 累计平均损失: 0.9855
Epoch: 4/50 | Batch: 600/782 | 单Batch损失: 0.9402 | 累计平均损失: 0.9798
Epoch: 4/50 | Batch: 700/782 | 单Batch损失: 0.9730 | 累计平均损失: 0.9760
Epoch 4/50 完成 | 训练准确率: 65.62% | 测试准确率: 72.28%
Epoch: 5/50 | Batch: 100/782 | 单Batch损失: 0.9109 | 累计平均损失: 0.9211
Epoch: 5/50 | Batch: 200/782 | 单Batch损失: 1.0401 | 累计平均损失: 0.9193
Epoch: 5/50 | Batch: 300/782 | 单Batch损失: 0.9827 | 累计平均损失: 0.9186
Epoch: 5/50 | Batch: 400/782 | 单Batch损失: 1.0262 | 累计平均损失: 0.9178
Epoch: 5/50 | Batch: 500/782 | 单Batch损失: 0.8339 | 累计平均损失: 0.9195
Epoch: 5/50 | Batch: 600/782 | 单Batch损失: 0.9027 | 累计平均损失: 0.9098
Epoch: 5/50 | Batch: 700/782 | 单Batch损失: 0.9196 | 累计平均损失: 0.9092
Epoch 5/50 完成 | 训练准确率: 67.91% | 测试准确率: 73.53%
Epoch: 6/50 | Batch: 100/782 | 单Batch损失: 0.8303 | 累计平均损失: 0.8648
Epoch: 6/50 | Batch: 200/782 | 单Batch损失: 0.6958 | 累计平均损失: 0.8612
Epoch: 6/50 | Batch: 300/782 | 单Batch损失: 0.7576 | 累计平均损失: 0.8648
Epoch: 6/50 | Batch: 400/782 | 单Batch损失: 0.8383 | 累计平均损失: 0.8620
Epoch: 6/50 | Batch: 500/782 | 单Batch损失: 0.8340 | 累计平均损失: 0.8566
Epoch: 6/50 | Batch: 600/782 | 单Batch损失: 0.6579 | 累计平均损失: 0.8530
Epoch: 6/50 | Batch: 700/782 | 单Batch损失: 0.9222 | 累计平均损失: 0.8519
Epoch 6/50 完成 | 训练准确率: 70.12% | 测试准确率: 75.24%
Epoch: 7/50 | Batch: 100/782 | 单Batch损失: 0.7441 | 累计平均损失: 0.8479
Epoch: 7/50 | Batch: 200/782 | 单Batch损失: 0.6588 | 累计平均损失: 0.8234
Epoch: 7/50 | Batch: 300/782 | 单Batch损失: 1.1260 | 累计平均损失: 0.8176
Epoch: 7/50 | Batch: 400/782 | 单Batch损失: 0.8982 | 累计平均损失: 0.8126
Epoch: 7/50 | Batch: 500/782 | 单Batch损失: 0.9397 | 累计平均损失: 0.8147
Epoch: 7/50 | Batch: 600/782 | 单Batch损失: 0.5209 | 累计平均损失: 0.8132
Epoch: 7/50 | Batch: 700/782 | 单Batch损失: 1.0603 | 累计平均损失: 0.8114
Epoch 7/50 完成 | 训练准确率: 71.33% | 测试准确率: 76.32%
Epoch: 8/50 | Batch: 100/782 | 单Batch损失: 0.8801 | 累计平均损失: 0.7795
Epoch: 8/50 | Batch: 200/782 | 单Batch损失: 0.9518 | 累计平均损失: 0.7755
Epoch: 8/50 | Batch: 300/782 | 单Batch损失: 0.6404 | 累计平均损失: 0.7797
Epoch: 8/50 | Batch: 400/782 | 单Batch损失: 0.5451 | 累计平均损失: 0.7805
Epoch: 8/50 | Batch: 500/782 | 单Batch损失: 0.7638 | 累计平均损失: 0.7825
Epoch: 8/50 | Batch: 600/782 | 单Batch损失: 0.8101 | 累计平均损失: 0.7803
Epoch: 8/50 | Batch: 700/782 | 单Batch损失: 0.6150 | 累计平均损失: 0.7811
Epoch 8/50 完成 | 训练准确率: 72.49% | 测试准确率: 76.71%
Epoch: 9/50 | Batch: 100/782 | 单Batch损失: 0.6532 | 累计平均损失: 0.7567
Epoch: 9/50 | Batch: 200/782 | 单Batch损失: 0.7605 | 累计平均损失: 0.7665
Epoch: 9/50 | Batch: 300/782 | 单Batch损失: 0.5642 | 累计平均损失: 0.7633
Epoch: 9/50 | Batch: 400/782 | 单Batch损失: 0.6651 | 累计平均损失: 0.7627
Epoch: 9/50 | Batch: 500/782 | 单Batch损失: 0.5831 | 累计平均损失: 0.7553
Epoch: 9/50 | Batch: 600/782 | 单Batch损失: 0.6834 | 累计平均损失: 0.7532
Epoch: 9/50 | Batch: 700/782 | 单Batch损失: 0.8964 | 累计平均损失: 0.7551
Epoch 9/50 完成 | 训练准确率: 73.49% | 测试准确率: 77.22%
Epoch: 10/50 | Batch: 100/782 | 单Batch损失: 0.9096 | 累计平均损失: 0.7153
Epoch: 10/50 | Batch: 200/782 | 单Batch损失: 0.6593 | 累计平均损失: 0.7281
Epoch: 10/50 | Batch: 300/782 | 单Batch损失: 0.6241 | 累计平均损失: 0.7277
Epoch: 10/50 | Batch: 400/782 | 单Batch损失: 0.8413 | 累计平均损失: 0.7294
Epoch: 10/50 | Batch: 500/782 | 单Batch损失: 0.7179 | 累计平均损失: 0.7261
Epoch: 10/50 | Batch: 600/782 | 单Batch损失: 0.6523 | 累计平均损失: 0.7267
Epoch: 10/50 | Batch: 700/782 | 单Batch损失: 0.6201 | 累计平均损失: 0.7255
Epoch 10/50 完成 | 训练准确率: 74.65% | 测试准确率: 77.98%
Epoch: 11/50 | Batch: 100/782 | 单Batch损失: 0.6255 | 累计平均损失: 0.7069
Epoch: 11/50 | Batch: 200/782 | 单Batch损失: 0.6923 | 累计平均损失: 0.6992
Epoch: 11/50 | Batch: 300/782 | 单Batch损失: 0.7887 | 累计平均损失: 0.7047
Epoch: 11/50 | Batch: 400/782 | 单Batch损失: 0.7803 | 累计平均损失: 0.7068
Epoch: 11/50 | Batch: 500/782 | 单Batch损失: 0.8174 | 累计平均损失: 0.7110
Epoch: 11/50 | Batch: 600/782 | 单Batch损失: 0.8550 | 累计平均损失: 0.7071
Epoch: 11/50 | Batch: 700/782 | 单Batch损失: 0.6795 | 累计平均损失: 0.7106
Epoch 11/50 完成 | 训练准确率: 75.14% | 测试准确率: 78.32%
Epoch: 12/50 | Batch: 100/782 | 单Batch损失: 0.7148 | 累计平均损失: 0.7090
Epoch: 12/50 | Batch: 200/782 | 单Batch损失: 0.9063 | 累计平均损失: 0.6854
Epoch: 12/50 | Batch: 300/782 | 单Batch损失: 0.9199 | 累计平均损失: 0.6922
Epoch: 12/50 | Batch: 400/782 | 单Batch损失: 0.5843 | 累计平均损失: 0.6942
Epoch: 12/50 | Batch: 500/782 | 单Batch损失: 0.7288 | 累计平均损失: 0.6880
Epoch: 12/50 | Batch: 600/782 | 单Batch损失: 0.7894 | 累计平均损失: 0.6959
Epoch: 12/50 | Batch: 700/782 | 单Batch损失: 0.6456 | 累计平均损失: 0.6968
Epoch 12/50 完成 | 训练准确率: 75.57% | 测试准确率: 78.80%
Epoch: 13/50 | Batch: 100/782 | 单Batch损失: 0.8054 | 累计平均损失: 0.6654
Epoch: 13/50 | Batch: 200/782 | 单Batch损失: 0.6466 | 累计平均损失: 0.6684
Epoch: 13/50 | Batch: 300/782 | 单Batch损失: 0.5844 | 累计平均损失: 0.6666
Epoch: 13/50 | Batch: 400/782 | 单Batch损失: 0.8063 | 累计平均损失: 0.6691
Epoch: 13/50 | Batch: 500/782 | 单Batch损失: 0.7331 | 累计平均损失: 0.6731
Epoch: 13/50 | Batch: 600/782 | 单Batch损失: 0.7364 | 累计平均损失: 0.6704
Epoch: 13/50 | Batch: 700/782 | 单Batch损失: 0.6887 | 累计平均损失: 0.6718
Epoch 13/50 完成 | 训练准确率: 76.55% | 测试准确率: 78.77%
Epoch: 14/50 | Batch: 100/782 | 单Batch损失: 0.5431 | 累计平均损失: 0.6675
Epoch: 14/50 | Batch: 200/782 | 单Batch损失: 0.6746 | 累计平均损失: 0.6501
Epoch: 14/50 | Batch: 300/782 | 单Batch损失: 0.6182 | 累计平均损失: 0.6539
Epoch: 14/50 | Batch: 400/782 | 单Batch损失: 0.8231 | 累计平均损失: 0.6601
Epoch: 14/50 | Batch: 500/782 | 单Batch损失: 0.6667 | 累计平均损失: 0.6619
Epoch: 14/50 | Batch: 600/782 | 单Batch损失: 0.6200 | 累计平均损失: 0.6599
Epoch: 14/50 | Batch: 700/782 | 单Batch损失: 0.7064 | 累计平均损失: 0.6610
Epoch 14/50 完成 | 训练准确率: 76.89% | 测试准确率: 79.21%
Epoch: 15/50 | Batch: 100/782 | 单Batch损失: 0.8123 | 累计平均损失: 0.6534
Epoch: 15/50 | Batch: 200/782 | 单Batch损失: 0.7289 | 累计平均损失: 0.6465
Epoch: 15/50 | Batch: 300/782 | 单Batch损失: 0.5245 | 累计平均损失: 0.6448
Epoch: 15/50 | Batch: 400/782 | 单Batch损失: 0.6456 | 累计平均损失: 0.6402
Epoch: 15/50 | Batch: 500/782 | 单Batch损失: 0.6557 | 累计平均损失: 0.6451
Epoch: 15/50 | Batch: 600/782 | 单Batch损失: 0.6771 | 累计平均损失: 0.6441
Epoch: 15/50 | Batch: 700/782 | 单Batch损失: 0.7440 | 累计平均损失: 0.6451
Epoch 15/50 完成 | 训练准确率: 77.04% | 测试准确率: 80.17%
Epoch: 16/50 | Batch: 100/782 | 单Batch损失: 0.7207 | 累计平均损失: 0.6286
Epoch: 16/50 | Batch: 200/782 | 单Batch损失: 0.5078 | 累计平均损失: 0.6124
Epoch: 16/50 | Batch: 300/782 | 单Batch损失: 0.6993 | 累计平均损失: 0.6129
Epoch: 16/50 | Batch: 400/782 | 单Batch损失: 0.7036 | 累计平均损失: 0.6175
Epoch: 16/50 | Batch: 500/782 | 单Batch损失: 0.7219 | 累计平均损失: 0.6219
Epoch: 16/50 | Batch: 600/782 | 单Batch损失: 0.8140 | 累计平均损失: 0.6237
Epoch: 16/50 | Batch: 700/782 | 单Batch损失: 0.4370 | 累计平均损失: 0.6262
Epoch 16/50 完成 | 训练准确率: 77.95% | 测试准确率: 80.45%
Epoch: 17/50 | Batch: 100/782 | 单Batch损失: 0.4815 | 累计平均损失: 0.6189
Epoch: 17/50 | Batch: 200/782 | 单Batch损失: 0.8503 | 累计平均损失: 0.6114
Epoch: 17/50 | Batch: 300/782 | 单Batch损失: 0.6019 | 累计平均损失: 0.6120
Epoch: 17/50 | Batch: 400/782 | 单Batch损失: 0.6100 | 累计平均损失: 0.6188
Epoch: 17/50 | Batch: 500/782 | 单Batch损失: 0.6561 | 累计平均损失: 0.6228
Epoch: 17/50 | Batch: 600/782 | 单Batch损失: 0.7258 | 累计平均损失: 0.6248
Epoch: 17/50 | Batch: 700/782 | 单Batch损失: 0.7760 | 累计平均损失: 0.6237
Epoch 17/50 完成 | 训练准确率: 78.14% | 测试准确率: 80.09%
Epoch: 18/50 | Batch: 100/782 | 单Batch损失: 0.7834 | 累计平均损失: 0.6066
Epoch: 18/50 | Batch: 200/782 | 单Batch损失: 0.7988 | 累计平均损失: 0.6059
Epoch: 18/50 | Batch: 300/782 | 单Batch损失: 0.6057 | 累计平均损失: 0.6001
Epoch: 18/50 | Batch: 400/782 | 单Batch损失: 0.7500 | 累计平均损失: 0.6031
Epoch: 18/50 | Batch: 500/782 | 单Batch损失: 0.6106 | 累计平均损失: 0.6021
Epoch: 18/50 | Batch: 600/782 | 单Batch损失: 0.5029 | 累计平均损失: 0.6057
Epoch: 18/50 | Batch: 700/782 | 单Batch损失: 0.4244 | 累计平均损失: 0.6055
Epoch 18/50 完成 | 训练准确率: 78.85% | 测试准确率: 80.44%
Epoch: 19/50 | Batch: 100/782 | 单Batch损失: 0.6464 | 累计平均损失: 0.5866
Epoch: 19/50 | Batch: 200/782 | 单Batch损失: 0.4937 | 累计平均损失: 0.5900
Epoch: 19/50 | Batch: 300/782 | 单Batch损失: 0.6328 | 累计平均损失: 0.5966
Epoch: 19/50 | Batch: 400/782 | 单Batch损失: 0.7629 | 累计平均损失: 0.5921
Epoch: 19/50 | Batch: 500/782 | 单Batch损失: 0.6918 | 累计平均损失: 0.5976
Epoch: 19/50 | Batch: 600/782 | 单Batch损失: 0.8189 | 累计平均损失: 0.5991
Epoch: 19/50 | Batch: 700/782 | 单Batch损失: 0.7366 | 累计平均损失: 0.6000
Epoch 19/50 完成 | 训练准确率: 79.02% | 测试准确率: 80.71%
Epoch: 20/50 | Batch: 100/782 | 单Batch损失: 0.5287 | 累计平均损失: 0.5730
Epoch: 20/50 | Batch: 200/782 | 单Batch损失: 0.5504 | 累计平均损失: 0.5723
Epoch: 20/50 | Batch: 300/782 | 单Batch损失: 0.4148 | 累计平均损失: 0.5780
Epoch: 20/50 | Batch: 400/782 | 单Batch损失: 0.5968 | 累计平均损失: 0.5821
Epoch: 20/50 | Batch: 500/782 | 单Batch损失: 0.5881 | 累计平均损失: 0.5864
Epoch: 20/50 | Batch: 600/782 | 单Batch损失: 0.5739 | 累计平均损失: 0.5914
Epoch: 20/50 | Batch: 700/782 | 单Batch损失: 0.4754 | 累计平均损失: 0.5906
Epoch 20/50 完成 | 训练准确率: 79.31% | 测试准确率: 80.90%
Epoch: 21/50 | Batch: 100/782 | 单Batch损失: 0.4989 | 累计平均损失: 0.5928
Epoch: 21/50 | Batch: 200/782 | 单Batch损失: 0.6343 | 累计平均损失: 0.5788
Epoch: 21/50 | Batch: 300/782 | 单Batch损失: 0.6154 | 累计平均损失: 0.5767
Epoch: 21/50 | Batch: 400/782 | 单Batch损失: 0.3872 | 累计平均损失: 0.5788
Epoch: 21/50 | Batch: 500/782 | 单Batch损失: 0.5309 | 累计平均损失: 0.5770
Epoch: 21/50 | Batch: 600/782 | 单Batch损失: 0.5808 | 累计平均损失: 0.5761
Epoch: 21/50 | Batch: 700/782 | 单Batch损失: 0.7381 | 累计平均损失: 0.5786
Epoch 21/50 完成 | 训练准确率: 79.72% | 测试准确率: 81.26%
Epoch: 22/50 | Batch: 100/782 | 单Batch损失: 0.4767 | 累计平均损失: 0.5528
Epoch: 22/50 | Batch: 200/782 | 单Batch损失: 0.4559 | 累计平均损失: 0.5522
Epoch: 22/50 | Batch: 300/782 | 单Batch损失: 0.5389 | 累计平均损失: 0.5591
Epoch: 22/50 | Batch: 400/782 | 单Batch损失: 0.7212 | 累计平均损失: 0.5638
Epoch: 22/50 | Batch: 500/782 | 单Batch损失: 0.8011 | 累计平均损失: 0.5690
Epoch: 22/50 | Batch: 600/782 | 单Batch损失: 0.6542 | 累计平均损失: 0.5729
Epoch: 22/50 | Batch: 700/782 | 单Batch损失: 0.5524 | 累计平均损失: 0.5740
Epoch 22/50 完成 | 训练准确率: 79.94% | 测试准确率: 81.59%
Epoch: 23/50 | Batch: 100/782 | 单Batch损失: 0.6390 | 累计平均损失: 0.5431
Epoch: 23/50 | Batch: 200/782 | 单Batch损失: 0.4986 | 累计平均损失: 0.5500
Epoch: 23/50 | Batch: 300/782 | 单Batch损失: 0.6459 | 累计平均损失: 0.5586
Epoch: 23/50 | Batch: 400/782 | 单Batch损失: 0.5589 | 累计平均损失: 0.5619
Epoch: 23/50 | Batch: 500/782 | 单Batch损失: 0.5064 | 累计平均损失: 0.5600
Epoch: 23/50 | Batch: 600/782 | 单Batch损失: 0.4100 | 累计平均损失: 0.5631
Epoch: 23/50 | Batch: 700/782 | 单Batch损失: 0.7176 | 累计平均损失: 0.5672
Epoch 23/50 完成 | 训练准确率: 80.10% | 测试准确率: 81.86%
Epoch: 24/50 | Batch: 100/782 | 单Batch损失: 0.5626 | 累计平均损失: 0.5440
Epoch: 24/50 | Batch: 200/782 | 单Batch损失: 0.6703 | 累计平均损失: 0.5526
Epoch: 24/50 | Batch: 300/782 | 单Batch损失: 0.7613 | 累计平均损失: 0.5525
Epoch: 24/50 | Batch: 400/782 | 单Batch损失: 0.3703 | 累计平均损失: 0.5565
Epoch: 24/50 | Batch: 500/782 | 单Batch损失: 0.4784 | 累计平均损失: 0.5580
Epoch: 24/50 | Batch: 600/782 | 单Batch损失: 0.4845 | 累计平均损失: 0.5570
Epoch: 24/50 | Batch: 700/782 | 单Batch损失: 0.7288 | 累计平均损失: 0.5581
Epoch 24/50 完成 | 训练准确率: 80.52% | 测试准确率: 81.77%
Epoch: 25/50 | Batch: 100/782 | 单Batch损失: 0.5032 | 累计平均损失: 0.5464
Epoch: 25/50 | Batch: 200/782 | 单Batch损失: 0.5494 | 累计平均损失: 0.5533
Epoch: 25/50 | Batch: 300/782 | 单Batch损失: 0.3919 | 累计平均损失: 0.5526
Epoch: 25/50 | Batch: 400/782 | 单Batch损失: 0.5525 | 累计平均损失: 0.5496
Epoch: 25/50 | Batch: 500/782 | 单Batch损失: 0.5178 | 累计平均损失: 0.5490
Epoch: 25/50 | Batch: 600/782 | 单Batch损失: 0.5707 | 累计平均损失: 0.5516
Epoch: 25/50 | Batch: 700/782 | 单Batch损失: 0.6218 | 累计平均损失: 0.5545
Epoch 25/50 完成 | 训练准确率: 80.57% | 测试准确率: 81.62%
Epoch: 26/50 | Batch: 100/782 | 单Batch损失: 0.5668 | 累计平均损失: 0.5570
Epoch: 26/50 | Batch: 200/782 | 单Batch损失: 0.5078 | 累计平均损失: 0.5603
Epoch: 26/50 | Batch: 300/782 | 单Batch损失: 0.4609 | 累计平均损失: 0.5500
Epoch: 26/50 | Batch: 400/782 | 单Batch损失: 0.6067 | 累计平均损失: 0.5475
Epoch: 26/50 | Batch: 500/782 | 单Batch损失: 0.5655 | 累计平均损失: 0.5457
Epoch: 26/50 | Batch: 600/782 | 单Batch损失: 0.5651 | 累计平均损失: 0.5407
Epoch: 26/50 | Batch: 700/782 | 单Batch损失: 0.6288 | 累计平均损失: 0.5434
Epoch 26/50 完成 | 训练准确率: 80.77% | 测试准确率: 81.83%
Epoch: 27/50 | Batch: 100/782 | 单Batch损失: 0.4995 | 累计平均损失: 0.5396
Epoch: 27/50 | Batch: 200/782 | 单Batch损失: 0.4447 | 累计平均损失: 0.5330
Epoch: 27/50 | Batch: 300/782 | 单Batch损失: 0.4292 | 累计平均损失: 0.5356
Epoch: 27/50 | Batch: 400/782 | 单Batch损失: 0.4004 | 累计平均损失: 0.5380
Epoch: 27/50 | Batch: 500/782 | 单Batch损失: 0.4919 | 累计平均损失: 0.5388
Epoch: 27/50 | Batch: 600/782 | 单Batch损失: 0.3905 | 累计平均损失: 0.5398
Epoch: 27/50 | Batch: 700/782 | 单Batch损失: 0.5299 | 累计平均损失: 0.5426
Epoch 27/50 完成 | 训练准确率: 80.92% | 测试准确率: 82.25%
Epoch: 28/50 | Batch: 100/782 | 单Batch损失: 0.5164 | 累计平均损失: 0.5110
Epoch: 28/50 | Batch: 200/782 | 单Batch损失: 0.5977 | 累计平均损失: 0.5115
Epoch: 28/50 | Batch: 300/782 | 单Batch损失: 0.5379 | 累计平均损失: 0.5153
Epoch: 28/50 | Batch: 400/782 | 单Batch损失: 0.4795 | 累计平均损失: 0.5228
Epoch: 28/50 | Batch: 500/782 | 单Batch损失: 0.3740 | 累计平均损失: 0.5258
Epoch: 28/50 | Batch: 600/782 | 单Batch损失: 0.7846 | 累计平均损失: 0.5264
Epoch: 28/50 | Batch: 700/782 | 单Batch损失: 0.6405 | 累计平均损失: 0.5288
Epoch 28/50 完成 | 训练准确率: 81.25% | 测试准确率: 82.26%
Epoch: 29/50 | Batch: 100/782 | 单Batch损失: 0.3871 | 累计平均损失: 0.4901
Epoch: 29/50 | Batch: 200/782 | 单Batch损失: 0.4014 | 累计平均损失: 0.5117
Epoch: 29/50 | Batch: 300/782 | 单Batch损失: 0.4946 | 累计平均损失: 0.5221
Epoch: 29/50 | Batch: 400/782 | 单Batch损失: 0.5572 | 累计平均损失: 0.5210
Epoch: 29/50 | Batch: 500/782 | 单Batch损失: 0.4322 | 累计平均损失: 0.5230
Epoch: 29/50 | Batch: 600/782 | 单Batch损失: 0.4734 | 累计平均损失: 0.5242
Epoch: 29/50 | Batch: 700/782 | 单Batch损失: 0.5669 | 累计平均损失: 0.5245
Epoch 29/50 完成 | 训练准确率: 81.67% | 测试准确率: 81.97%
Epoch: 30/50 | Batch: 100/782 | 单Batch损失: 0.6986 | 累计平均损失: 0.5085
Epoch: 30/50 | Batch: 200/782 | 单Batch损失: 0.3665 | 累计平均损失: 0.5120
Epoch: 30/50 | Batch: 300/782 | 单Batch损失: 0.5522 | 累计平均损失: 0.5113
Epoch: 30/50 | Batch: 400/782 | 单Batch损失: 0.4767 | 累计平均损失: 0.5143
Epoch: 30/50 | Batch: 500/782 | 单Batch损失: 0.9293 | 累计平均损失: 0.5164
Epoch: 30/50 | Batch: 600/782 | 单Batch损失: 0.3870 | 累计平均损失: 0.5187
Epoch: 30/50 | Batch: 700/782 | 单Batch损失: 0.5400 | 累计平均损失: 0.5160
Epoch 30/50 完成 | 训练准确率: 81.79% | 测试准确率: 81.93%
Epoch: 31/50 | Batch: 100/782 | 单Batch损失: 0.3682 | 累计平均损失: 0.5151
Epoch: 31/50 | Batch: 200/782 | 单Batch损失: 0.5547 | 累计平均损失: 0.5251
Epoch: 31/50 | Batch: 300/782 | 单Batch损失: 0.4244 | 累计平均损失: 0.5172
Epoch: 31/50 | Batch: 400/782 | 单Batch损失: 0.4876 | 累计平均损失: 0.5174
Epoch: 31/50 | Batch: 500/782 | 单Batch损失: 0.5297 | 累计平均损失: 0.5171
Epoch: 31/50 | Batch: 600/782 | 单Batch损失: 0.6432 | 累计平均损失: 0.5184
Epoch: 31/50 | Batch: 700/782 | 单Batch损失: 0.5414 | 累计平均损失: 0.5191
Epoch 31/50 完成 | 训练准确率: 81.84% | 测试准确率: 83.01%
Epoch: 32/50 | Batch: 100/782 | 单Batch损失: 0.4310 | 累计平均损失: 0.4839
Epoch: 32/50 | Batch: 200/782 | 单Batch损失: 0.4675 | 累计平均损失: 0.5077
Epoch: 32/50 | Batch: 300/782 | 单Batch损失: 0.4267 | 累计平均损失: 0.5100
Epoch: 32/50 | Batch: 400/782 | 单Batch损失: 0.5050 | 累计平均损失: 0.5096
Epoch: 32/50 | Batch: 500/782 | 单Batch损失: 0.5400 | 累计平均损失: 0.5058
Epoch: 32/50 | Batch: 600/782 | 单Batch损失: 0.4545 | 累计平均损失: 0.5089
Epoch: 32/50 | Batch: 700/782 | 单Batch损失: 0.5637 | 累计平均损失: 0.5094
Epoch 32/50 完成 | 训练准确率: 82.32% | 测试准确率: 83.61%
Epoch: 33/50 | Batch: 100/782 | 单Batch损失: 0.4244 | 累计平均损失: 0.4916
Epoch: 33/50 | Batch: 200/782 | 单Batch损失: 0.2550 | 累计平均损失: 0.5044
Epoch: 33/50 | Batch: 300/782 | 单Batch损失: 0.4313 | 累计平均损失: 0.5032
Epoch: 33/50 | Batch: 400/782 | 单Batch损失: 0.4045 | 累计平均损失: 0.5061
Epoch: 33/50 | Batch: 500/782 | 单Batch损失: 0.4526 | 累计平均损失: 0.5055
Epoch: 33/50 | Batch: 600/782 | 单Batch损失: 0.4589 | 累计平均损失: 0.5065
Epoch: 33/50 | Batch: 700/782 | 单Batch损失: 0.3453 | 累计平均损失: 0.5082
Epoch 33/50 完成 | 训练准确率: 82.27% | 测试准确率: 83.27%
Epoch: 34/50 | Batch: 100/782 | 单Batch损失: 0.5896 | 累计平均损失: 0.4878
Epoch: 34/50 | Batch: 200/782 | 单Batch损失: 0.4765 | 累计平均损失: 0.4885
Epoch: 34/50 | Batch: 300/782 | 单Batch损失: 0.7956 | 累计平均损失: 0.4892
Epoch: 34/50 | Batch: 400/782 | 单Batch损失: 0.3390 | 累计平均损失: 0.4920
Epoch: 34/50 | Batch: 500/782 | 单Batch损失: 0.5257 | 累计平均损失: 0.4959
Epoch: 34/50 | Batch: 600/782 | 单Batch损失: 0.5249 | 累计平均损失: 0.4984
Epoch: 34/50 | Batch: 700/782 | 单Batch损失: 0.5145 | 累计平均损失: 0.5007
Epoch 34/50 完成 | 训练准确率: 82.34% | 测试准确率: 83.59%
Epoch: 35/50 | Batch: 100/782 | 单Batch损失: 0.4741 | 累计平均损失: 0.4866
Epoch: 35/50 | Batch: 200/782 | 单Batch损失: 0.3406 | 累计平均损失: 0.4894
Epoch: 35/50 | Batch: 300/782 | 单Batch损失: 0.5039 | 累计平均损失: 0.4923
Epoch: 35/50 | Batch: 400/782 | 单Batch损失: 0.6513 | 累计平均损失: 0.4934
Epoch: 35/50 | Batch: 500/782 | 单Batch损失: 0.6459 | 累计平均损失: 0.4938
Epoch: 35/50 | Batch: 600/782 | 单Batch损失: 0.3690 | 累计平均损失: 0.4945
Epoch: 35/50 | Batch: 700/782 | 单Batch损失: 0.4595 | 累计平均损失: 0.4965
Epoch 35/50 完成 | 训练准确率: 82.39% | 测试准确率: 83.55%
Epoch: 36/50 | Batch: 100/782 | 单Batch损失: 0.5565 | 累计平均损失: 0.4826
Epoch: 36/50 | Batch: 200/782 | 单Batch损失: 0.6245 | 累计平均损失: 0.4826
Epoch: 36/50 | Batch: 300/782 | 单Batch损失: 0.3083 | 累计平均损失: 0.4851
Epoch: 36/50 | Batch: 400/782 | 单Batch损失: 0.3911 | 累计平均损失: 0.4866
Epoch: 36/50 | Batch: 500/782 | 单Batch损失: 0.6162 | 累计平均损失: 0.4909
Epoch: 36/50 | Batch: 600/782 | 单Batch损失: 0.3935 | 累计平均损失: 0.4897
Epoch: 36/50 | Batch: 700/782 | 单Batch损失: 0.7629 | 累计平均损失: 0.4918
Epoch 36/50 完成 | 训练准确率: 82.83% | 测试准确率: 83.48%
Epoch: 37/50 | Batch: 100/782 | 单Batch损失: 0.5431 | 累计平均损失: 0.4775
Epoch: 37/50 | Batch: 200/782 | 单Batch损失: 0.4509 | 累计平均损失: 0.4816
Epoch: 37/50 | Batch: 300/782 | 单Batch损失: 0.6305 | 累计平均损失: 0.4863
Epoch: 37/50 | Batch: 400/782 | 单Batch损失: 0.5630 | 累计平均损失: 0.4873
Epoch: 37/50 | Batch: 500/782 | 单Batch损失: 0.3457 | 累计平均损失: 0.4883
Epoch: 37/50 | Batch: 600/782 | 单Batch损失: 0.5655 | 累计平均损失: 0.4878
Epoch: 37/50 | Batch: 700/782 | 单Batch损失: 0.3366 | 累计平均损失: 0.4891
Epoch 37/50 完成 | 训练准确率: 82.81% | 测试准确率: 83.02%
Epoch: 38/50 | Batch: 100/782 | 单Batch损失: 0.5499 | 累计平均损失: 0.4741
Epoch: 38/50 | Batch: 200/782 | 单Batch损失: 0.5125 | 累计平均损失: 0.4739
Epoch: 38/50 | Batch: 300/782 | 单Batch损失: 0.7040 | 累计平均损失: 0.4720
Epoch: 38/50 | Batch: 400/782 | 单Batch损失: 0.4453 | 累计平均损失: 0.4793
Epoch: 38/50 | Batch: 500/782 | 单Batch损失: 0.5011 | 累计平均损失: 0.4835
Epoch: 38/50 | Batch: 600/782 | 单Batch损失: 0.3620 | 累计平均损失: 0.4839
Epoch: 38/50 | Batch: 700/782 | 单Batch损失: 0.6792 | 累计平均损失: 0.4849
Epoch 38/50 完成 | 训练准确率: 82.96% | 测试准确率: 83.58%
Epoch: 39/50 | Batch: 100/782 | 单Batch损失: 0.4115 | 累计平均损失: 0.4452
Epoch: 39/50 | Batch: 200/782 | 单Batch损失: 0.4167 | 累计平均损失: 0.4339
Epoch: 39/50 | Batch: 300/782 | 单Batch损失: 0.4150 | 累计平均损失: 0.4364
Epoch: 39/50 | Batch: 400/782 | 单Batch损失: 0.5018 | 累计平均损失: 0.4368
Epoch: 39/50 | Batch: 500/782 | 单Batch损失: 0.4537 | 累计平均损失: 0.4350
Epoch: 39/50 | Batch: 600/782 | 单Batch损失: 0.4893 | 累计平均损失: 0.4390
Epoch: 39/50 | Batch: 700/782 | 单Batch损失: 0.4592 | 累计平均损失: 0.4383
Epoch 39/50 完成 | 训练准确率: 84.58% | 测试准确率: 83.90%
Epoch: 40/50 | Batch: 100/782 | 单Batch损失: 0.4270 | 累计平均损失: 0.4275
Epoch: 40/50 | Batch: 200/782 | 单Batch损失: 0.3538 | 累计平均损失: 0.4321
Epoch: 40/50 | Batch: 300/782 | 单Batch损失: 0.5362 | 累计平均损失: 0.4300
Epoch: 40/50 | Batch: 400/782 | 单Batch损失: 0.6342 | 累计平均损失: 0.4357
Epoch: 40/50 | Batch: 500/782 | 单Batch损失: 0.3553 | 累计平均损失: 0.4297
Epoch: 40/50 | Batch: 600/782 | 单Batch损失: 0.2310 | 累计平均损失: 0.4267
Epoch: 40/50 | Batch: 700/782 | 单Batch损失: 0.4437 | 累计平均损失: 0.4255
Epoch 40/50 完成 | 训练准确率: 84.90% | 测试准确率: 84.59%
Epoch: 41/50 | Batch: 100/782 | 单Batch损失: 0.4160 | 累计平均损失: 0.3990
Epoch: 41/50 | Batch: 200/782 | 单Batch损失: 0.4385 | 累计平均损失: 0.4026
Epoch: 41/50 | Batch: 300/782 | 单Batch损失: 0.2959 | 累计平均损失: 0.3997
Epoch: 41/50 | Batch: 400/782 | 单Batch损失: 0.4402 | 累计平均损失: 0.4100
Epoch: 41/50 | Batch: 500/782 | 单Batch损失: 0.3498 | 累计平均损失: 0.4100
Epoch: 41/50 | Batch: 600/782 | 单Batch损失: 0.2418 | 累计平均损失: 0.4103
Epoch: 41/50 | Batch: 700/782 | 单Batch损失: 0.4321 | 累计平均损失: 0.4117
Epoch 41/50 完成 | 训练准确率: 85.43% | 测试准确率: 84.55%
Epoch: 42/50 | Batch: 100/782 | 单Batch损失: 0.2983 | 累计平均损失: 0.3926
Epoch: 42/50 | Batch: 200/782 | 单Batch损失: 0.4122 | 累计平均损失: 0.4098
Epoch: 42/50 | Batch: 300/782 | 单Batch损失: 0.3097 | 累计平均损失: 0.4151
Epoch: 42/50 | Batch: 400/782 | 单Batch损失: 0.5711 | 累计平均损失: 0.4166
Epoch: 42/50 | Batch: 500/782 | 单Batch损失: 0.4961 | 累计平均损失: 0.4174
Epoch: 42/50 | Batch: 600/782 | 单Batch损失: 0.3369 | 累计平均损失: 0.4170
Epoch: 42/50 | Batch: 700/782 | 单Batch损失: 0.4240 | 累计平均损失: 0.4172
Epoch 42/50 完成 | 训练准确率: 85.29% | 测试准确率: 85.15%
Epoch: 43/50 | Batch: 100/782 | 单Batch损失: 0.4642 | 累计平均损失: 0.4175
Epoch: 43/50 | Batch: 200/782 | 单Batch损失: 0.3065 | 累计平均损失: 0.4058
Epoch: 43/50 | Batch: 300/782 | 单Batch损失: 0.2844 | 累计平均损失: 0.4030
Epoch: 43/50 | Batch: 400/782 | 单Batch损失: 0.4232 | 累计平均损失: 0.3987
Epoch: 43/50 | Batch: 500/782 | 单Batch损失: 0.5395 | 累计平均损失: 0.4023
Epoch: 43/50 | Batch: 600/782 | 单Batch损失: 0.4163 | 累计平均损失: 0.4042
Epoch: 43/50 | Batch: 700/782 | 单Batch损失: 0.2678 | 累计平均损失: 0.4063
Epoch 43/50 完成 | 训练准确率: 85.71% | 测试准确率: 84.41%
Epoch: 44/50 | Batch: 100/782 | 单Batch损失: 0.5120 | 累计平均损失: 0.4241
Epoch: 44/50 | Batch: 200/782 | 单Batch损失: 0.4449 | 累计平均损失: 0.4160
Epoch: 44/50 | Batch: 300/782 | 单Batch损失: 0.3248 | 累计平均损失: 0.4096
Epoch: 44/50 | Batch: 400/782 | 单Batch损失: 0.3194 | 累计平均损失: 0.4115
Epoch: 44/50 | Batch: 500/782 | 单Batch损失: 0.6854 | 累计平均损失: 0.4090
Epoch: 44/50 | Batch: 600/782 | 单Batch损失: 0.4878 | 累计平均损失: 0.4105
Epoch: 44/50 | Batch: 700/782 | 单Batch损失: 0.3249 | 累计平均损失: 0.4090
Epoch 44/50 完成 | 训练准确率: 85.61% | 测试准确率: 84.84%
Epoch: 45/50 | Batch: 100/782 | 单Batch损失: 0.4742 | 累计平均损失: 0.3962
Epoch: 45/50 | Batch: 200/782 | 单Batch损失: 0.5246 | 累计平均损失: 0.4036
Epoch: 45/50 | Batch: 300/782 | 单Batch损失: 0.3103 | 累计平均损失: 0.4069
Epoch: 45/50 | Batch: 400/782 | 单Batch损失: 0.7554 | 累计平均损失: 0.4102
Epoch: 45/50 | Batch: 500/782 | 单Batch损失: 0.2611 | 累计平均损失: 0.4065
Epoch: 45/50 | Batch: 600/782 | 单Batch损失: 0.4985 | 累计平均损失: 0.4075
Epoch: 45/50 | Batch: 700/782 | 单Batch损失: 0.4460 | 累计平均损失: 0.4049
Epoch 45/50 完成 | 训练准确率: 85.77% | 测试准确率: 84.82%
Epoch: 46/50 | Batch: 100/782 | 单Batch损失: 0.4373 | 累计平均损失: 0.4139
Epoch: 46/50 | Batch: 200/782 | 单Batch损失: 0.4529 | 累计平均损失: 0.4001
Epoch: 46/50 | Batch: 300/782 | 单Batch损失: 0.4245 | 累计平均损失: 0.3995
Epoch: 46/50 | Batch: 400/782 | 单Batch损失: 0.4438 | 累计平均损失: 0.3979
Epoch: 46/50 | Batch: 500/782 | 单Batch损失: 0.3447 | 累计平均损失: 0.3969
Epoch: 46/50 | Batch: 600/782 | 单Batch损失: 0.2865 | 累计平均损失: 0.3979
Epoch: 46/50 | Batch: 700/782 | 单Batch损失: 0.3172 | 累计平均损失: 0.3988
Epoch 46/50 完成 | 训练准确率: 85.94% | 测试准确率: 84.73%
Epoch: 47/50 | Batch: 100/782 | 单Batch损失: 0.2275 | 累计平均损失: 0.3797
Epoch: 47/50 | Batch: 200/782 | 单Batch损失: 0.3422 | 累计平均损失: 0.3714
Epoch: 47/50 | Batch: 300/782 | 单Batch损失: 0.3946 | 累计平均损失: 0.3704
Epoch: 47/50 | Batch: 400/782 | 单Batch损失: 0.3541 | 累计平均损失: 0.3675
Epoch: 47/50 | Batch: 500/782 | 单Batch损失: 0.3449 | 累计平均损失: 0.3684
Epoch: 47/50 | Batch: 600/782 | 单Batch损失: 0.2901 | 累计平均损失: 0.3702
Epoch: 47/50 | Batch: 700/782 | 单Batch损失: 0.2147 | 累计平均损失: 0.3697
Epoch 47/50 完成 | 训练准确率: 86.96% | 测试准确率: 85.43%
Epoch: 48/50 | Batch: 100/782 | 单Batch损失: 0.3223 | 累计平均损失: 0.3562
Epoch: 48/50 | Batch: 200/782 | 单Batch损失: 0.6040 | 累计平均损失: 0.3609
Epoch: 48/50 | Batch: 300/782 | 单Batch损失: 0.5514 | 累计平均损失: 0.3647
Epoch: 48/50 | Batch: 400/782 | 单Batch损失: 0.4951 | 累计平均损失: 0.3678
Epoch: 48/50 | Batch: 500/782 | 单Batch损失: 0.2539 | 累计平均损失: 0.3693
Epoch: 48/50 | Batch: 600/782 | 单Batch损失: 0.3193 | 累计平均损失: 0.3704
Epoch: 48/50 | Batch: 700/782 | 单Batch损失: 0.4370 | 累计平均损失: 0.3699
Epoch 48/50 完成 | 训练准确率: 86.95% | 测试准确率: 85.51%
Epoch: 49/50 | Batch: 100/782 | 单Batch损失: 0.2413 | 累计平均损失: 0.3713
Epoch: 49/50 | Batch: 200/782 | 单Batch损失: 0.3096 | 累计平均损失: 0.3725
Epoch: 49/50 | Batch: 300/782 | 单Batch损失: 0.2808 | 累计平均损失: 0.3684
Epoch: 49/50 | Batch: 400/782 | 单Batch损失: 0.2968 | 累计平均损失: 0.3641
Epoch: 49/50 | Batch: 500/782 | 单Batch损失: 0.2789 | 累计平均损失: 0.3621
Epoch: 49/50 | Batch: 600/782 | 单Batch损失: 0.3366 | 累计平均损失: 0.3608
Epoch: 49/50 | Batch: 700/782 | 单Batch损失: 0.4347 | 累计平均损失: 0.3618
Epoch 49/50 完成 | 训练准确率: 87.18% | 测试准确率: 85.22%
Epoch: 50/50 | Batch: 100/782 | 单Batch损失: 0.4453 | 累计平均损失: 0.3467
Epoch: 50/50 | Batch: 200/782 | 单Batch损失: 0.2889 | 累计平均损失: 0.3522
Epoch: 50/50 | Batch: 300/782 | 单Batch损失: 0.3357 | 累计平均损失: 0.3549
Epoch: 50/50 | Batch: 400/782 | 单Batch损失: 0.6199 | 累计平均损失: 0.3563
Epoch: 50/50 | Batch: 500/782 | 单Batch损失: 0.4550 | 累计平均损失: 0.3581
Epoch: 50/50 | Batch: 600/782 | 单Batch损失: 0.4347 | 累计平均损失: 0.3583
Epoch: 50/50 | Batch: 700/782 | 单Batch损失: 0.2709 | 累计平均损失: 0.3592
Epoch 50/50 完成 | 训练准确率: 87.18% | 测试准确率: 85.21%
训练完成！最终测试准确率: 85.21%
@浙大疏锦行