当前位置：首页 > news >正文

python训练营打卡第49天

news 来源：原创 2025/6/10 6:19:12

CBAM注意力

知识点回顾：

通道注意力模块复习
空间注意力模块
CBAM的定义

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# ====================== 配置与设备检查 ======================
# 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可用性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")# ====================== 数据预处理与加载 ======================
# 训练集数据增强与归一化
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))
])# 测试集仅归一化
test_transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010))
])# 加载CIFAR10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
)# 创建数据加载器
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)# ====================== CBAM模块定义 ======================
## 通道注意力模块
class ChannelAttention(nn.Module):def __init__(self, in_channels: int, ratio: int = 16):"""通道注意力机制Args:in_channels: 输入通道数ratio: 降维比例，默认16"""super().__init__()self.avg_pool = nn.AdaptiveAvgPool2d(1)  # 全局平均池化self.max_pool = nn.AdaptiveMaxPool2d(1)  # 全局最大池化# 共享全连接层实现通道降维和升维self.fc = nn.Sequential(nn.Linear(in_channels, in_channels // ratio, bias=False),nn.ReLU(),nn.Linear(in_channels // ratio, in_channels, bias=False))self.sigmoid = nn.Sigmoid()  # 生成通道权重def forward(self, x: torch.Tensor) -> torch.Tensor:"""前向传播Args:x: 输入特征图 (B, C, H, W)Returns:通道加权后的特征图"""b, c, h, w = x.shapeavg_feat = self.fc(self.avg_pool(x).view(b, c))  # 平均池化特征max_feat = self.fc(self.max_pool(x).view(b, c))  # 最大池化特征attn = self.sigmoid(avg_feat + max_feat).view(b, c, 1, 1)  # 融合权重return x * attn  # 应用通道注意力## 空间注意力模块
class SpatialAttention(nn.Module):def __init__(self, kernel_size: int = 7):"""空间注意力机制Args:kernel_size: 卷积核尺寸，默认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: torch.Tensor) -> torch.Tensor:"""前向传播Args:x: 输入特征图 (B, C, H, W)Returns:空间加权后的特征图"""# 通道维度池化avg_feat = torch.mean(x, dim=1, keepdim=True)  # 平均池化max_feat, _ = torch.max(x, dim=1, keepdim=True)  # 最大池化pool_feat = torch.cat([avg_feat, max_feat], dim=1)  # 拼接特征attn = self.conv(pool_feat)  # 卷积提取空间特征return x * self.sigmoid(attn)  # 应用空间注意力## CBAM组合模块
class CBAM(nn.Module):def __init__(self, in_channels: int, ratio: int = 16, kernel_size: int = 7):"""卷积块注意力模块 (CBAM)Args:in_channels: 输入通道数ratio: 通道注意力降维比例，默认16kernel_size: 空间注意力卷积核尺寸，默认7"""super().__init__()self.channel_attn = ChannelAttention(in_channels, ratio)self.spatial_attn = SpatialAttention(kernel_size)def forward(self, x: torch.Tensor) -> torch.Tensor:"""前向传播（先通道注意力，后空间注意力）Args:x: 输入特征图 (B, C, H, W)Returns:注意力加权后的特征图"""x = self.channel_attn(x)x = self.spatial_attn(x)return x# ====================== 带CBAM的CNN模型定义 ======================
class CBAM_CNN(nn.Module):def __init__(self):super().__init__()# 卷积块1：3->32通道，带CBAMself.conv_block1 = nn.Sequential(nn.Conv2d(3, 32, kernel_size=3, padding=1),nn.BatchNorm2d(32),nn.ReLU(),nn.MaxPool2d(kernel_size=2))self.cbam1 = CBAM(in_channels=32)  # 第一个CBAM模块# 卷积块2：32->64通道，带CBAMself.conv_block2 = nn.Sequential(nn.Conv2d(32, 64, kernel_size=3, padding=1),nn.BatchNorm2d(64),nn.ReLU(),nn.MaxPool2d(kernel_size=2))self.cbam2 = CBAM(in_channels=64)  # 第二个CBAM模块# 卷积块3：64->128通道，带CBAMself.conv_block3 = nn.Sequential(nn.Conv2d(64, 128, kernel_size=3, padding=1),nn.BatchNorm2d(128),nn.ReLU(),nn.MaxPool2d(kernel_size=2))self.cbam3 = CBAM(in_channels=128)  # 第三个CBAM模块# 全连接层self.fc_layers = nn.Sequential(nn.Linear(128 * 4 * 4, 512),nn.ReLU(),nn.Dropout(p=0.5),nn.Linear(512, 10))def forward(self, x: torch.Tensor) -> torch.Tensor:"""前向传播流程Args:x: 输入图像 (B, 3, 32, 32)Returns:分类 logits (B, 10)"""# 卷积块1 + CBAM1x = self.conv_block1(x)x = self.cbam1(x)# 卷积块2 + CBAM2x = self.conv_block2(x)x = self.cbam2(x)# 卷积块3 + CBAM3x = self.conv_block3(x)x = self.cbam3(x)# 展平并通过全连接层x = x.view(x.size(0), -1)x = self.fc_layers(x)return x# ====================== 训练配置与函数 ======================
# 初始化模型、损失函数和优化器
model = CBAM_CNN().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
scheduler = optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', patience=3, factor=0.5)def train(model: nn.Module,train_loader: DataLoader,test_loader: DataLoader,criterion: nn.Module,optimizer: optim.Optimizer,scheduler: optim.lr_scheduler._LRScheduler,device: torch.device,epochs: int
) -> float:"""训练过程主函数Args:model: 待训练模型train_loader: 训练数据加载器test_loader: 测试数据加载器criterion: 损失函数optimizer: 优化器scheduler: 学习率调度器device: 计算设备epochs: 训练轮数Returns:最终测试准确率"""model.train()train_loss_history = []test_loss_history = []train_acc_history = []test_acc_history = []all_iter_losses = []iter_indices = []for epoch in range(epochs):running_loss = 0.0correct_train = 0total_train = 0# 训练阶段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()# 记录迭代级损失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_train += target.size(0)correct_train += predicted.eq(target).sum().item()# 每100批次打印进度if (batch_idx + 1) % 100 == 0:avg_loss = running_loss / (batch_idx + 1)print(f"Epoch: {epoch+1}/{epochs} | Batch: {batch_idx+1}/{len(train_loader)} "f"| 单Batch损失: {iter_loss:.4f} | 平均损失: {avg_loss:.4f}")# 计算 epoch 级训练指标epoch_train_loss = running_loss / len(train_loader)epoch_train_acc = 100. * correct_train / total_traintrain_loss_history.append(epoch_train_loss)train_acc_history.append(epoch_train_acc)# 测试阶段model.eval()test_loss = 0.0correct_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()# 计算 epoch 级测试指标epoch_test_loss = test_loss / len(test_loader)epoch_test_acc = 100. * correct_test / total_testtest_loss_history.append(epoch_test_loss)test_acc_history.append(epoch_test_acc)# 调整学习率scheduler.step(epoch_test_loss)# 打印 epoch 总结print(f"Epoch {epoch+1}/{epochs} 完成 | "f"Train Acc: {epoch_train_acc:.2f}% | Test Acc: {epoch_test_acc:.2f}%")# 绘制训练过程图表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: list, indices: list) -> None:"""绘制每个迭代的损失曲线"""plt.figure(figsize=(10, 4))plt.plot(indices, losses, 'b-', alpha=0.7, label='Iteration Loss')plt.xlabel('Iteration (Batch序号)')plt.ylabel('Loss值')plt.title('训练过程中每个Batch的损失变化')plt.legend()plt.grid(True)plt.tight_layout()plt.show()def plot_epoch_metrics(train_acc: list,test_acc: list,train_loss: list,test_loss: list
) -> None:"""绘制 epoch 级准确率和损失曲线"""epochs = range(1, len(train_acc) + 1)plt.figure(figsize=(12, 4))# 准确率子图plt.subplot(1, 2, 1)plt.plot(epochs, train_acc, 'b-', label='Train Accuracy')plt.plot(epochs, test_acc, 'r-', label='Test Accuracy')plt.xlabel('Epoch')plt.ylabel('Accuracy (%)')plt.title('训练与测试准确率对比')plt.legend()plt.grid(True)# 损失子图plt.subplot(1, 2, 2)plt.plot(epochs, train_loss, 'b-', label='Train Loss')plt.plot(epochs, test_loss, 'r-', label='Test Loss')plt.xlabel('Epoch')plt.ylabel('Loss值')plt.title('训练与测试损失对比')plt.legend()plt.grid(True)plt.tight_layout()plt.show()# ====================== 执行训练 ======================
epochs = 50
print("开始训练带CBAM的CNN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}%")# # 如需保存模型，取消注释以下代码
# torch.save(model.state_dict(), 'cifar10_cbam_cnn_model.pth')
# print("模型已保存为: cifar10_cbam_cnn_model.pth")

输出结果：

使用设备: cpu
开始训练带CBAM的CNN模型...
Epoch: 1/50 | Batch: 100/782 | 单Batch损失: 1.7743 | 平均损失: 1.9580
Epoch: 1/50 | Batch: 200/782 | 单Batch损失: 1.5455 | 平均损失: 1.8234
Epoch: 1/50 | Batch: 300/782 | 单Batch损失: 1.5624 | 平均损失: 1.7571
Epoch: 1/50 | Batch: 400/782 | 单Batch损失: 1.5233 | 平均损失: 1.6974
Epoch: 1/50 | Batch: 500/782 | 单Batch损失: 1.2365 | 平均损失: 1.6472
Epoch: 1/50 | Batch: 600/782 | 单Batch损失: 1.6902 | 平均损失: 1.6108
Epoch: 1/50 | Batch: 700/782 | 单Batch损失: 1.3950 | 平均损失: 1.5732
Epoch 1/50 完成 | Train Acc: 43.10% | Test Acc: 49.27%
Epoch: 2/50 | Batch: 100/782 | 单Batch损失: 1.2378 | 平均损失: 1.3531
Epoch: 2/50 | Batch: 200/782 | 单Batch损失: 1.4056 | 平均损失: 1.3251
Epoch: 2/50 | Batch: 300/782 | 单Batch损失: 1.5631 | 平均损失: 1.2949
Epoch: 2/50 | Batch: 400/782 | 单Batch损失: 1.1826 | 平均损失: 1.2706
Epoch: 2/50 | Batch: 500/782 | 单Batch损失: 0.9263 | 平均损失: 1.2517
Epoch: 2/50 | Batch: 600/782 | 单Batch损失: 1.3384 | 平均损失: 1.2363
Epoch: 2/50 | Batch: 700/782 | 单Batch损失: 1.0769 | 平均损失: 1.2155
Epoch 2/50 完成 | Train Acc: 56.51% | Test Acc: 65.26%
Epoch: 3/50 | Batch: 100/782 | 单Batch损失: 1.2275 | 平均损失: 1.0890
Epoch: 3/50 | Batch: 200/782 | 单Batch损失: 0.9458 | 平均损失: 1.0713
Epoch: 3/50 | Batch: 300/782 | 单Batch损失: 1.1353 | 平均损失: 1.0722
Epoch: 3/50 | Batch: 400/782 | 单Batch损失: 1.1107 | 平均损失: 1.0675
Epoch: 3/50 | Batch: 500/782 | 单Batch损失: 1.1919 | 平均损失: 1.0594
Epoch: 3/50 | Batch: 600/782 | 单Batch损失: 1.0833 | 平均损失: 1.0510
Epoch: 3/50 | Batch: 700/782 | 单Batch损失: 0.8911 | 平均损失: 1.0438
Epoch 3/50 完成 | Train Acc: 63.08% | Test Acc: 69.26%
Epoch: 4/50 | Batch: 100/782 | 单Batch损失: 0.7198 | 平均损失: 0.9485
Epoch: 4/50 | Batch: 200/782 | 单Batch损失: 0.9005 | 平均损失: 0.9628
Epoch: 4/50 | Batch: 300/782 | 单Batch损失: 0.9959 | 平均损失: 0.9559
Epoch: 4/50 | Batch: 400/782 | 单Batch损失: 1.0902 | 平均损失: 0.9546
Epoch: 4/50 | Batch: 500/782 | 单Batch损失: 0.9692 | 平均损失: 0.9486
Epoch: 4/50 | Batch: 600/782 | 单Batch损失: 0.9262 | 平均损失: 0.9471
Epoch: 4/50 | Batch: 700/782 | 单Batch损失: 0.9996 | 平均损失: 0.9447
Epoch 4/50 完成 | Train Acc: 66.57% | Test Acc: 73.24%
Epoch: 5/50 | Batch: 100/782 | 单Batch损失: 0.9406 | 平均损失: 0.9104
Epoch: 5/50 | Batch: 200/782 | 单Batch损失: 0.9197 | 平均损失: 0.8909
Epoch: 5/50 | Batch: 300/782 | 单Batch损失: 0.9534 | 平均损失: 0.8913
Epoch: 5/50 | Batch: 400/782 | 单Batch损失: 0.7398 | 平均损失: 0.8946
Epoch: 5/50 | Batch: 500/782 | 单Batch损失: 0.9653 | 平均损失: 0.8955
Epoch: 5/50 | Batch: 600/782 | 单Batch损失: 1.0089 | 平均损失: 0.8915
Epoch: 5/50 | Batch: 700/782 | 单Batch损失: 0.7581 | 平均损失: 0.8882
Epoch 5/50 完成 | Train Acc: 68.96% | Test Acc: 75.17%
Epoch: 6/50 | Batch: 100/782 | 单Batch损失: 1.0505 | 平均损失: 0.8453
Epoch: 6/50 | Batch: 200/782 | 单Batch损失: 0.8011 | 平均损失: 0.8449
Epoch: 6/50 | Batch: 300/782 | 单Batch损失: 0.9255 | 平均损失: 0.8482
Epoch: 6/50 | Batch: 400/782 | 单Batch损失: 0.9174 | 平均损失: 0.8404
Epoch: 6/50 | Batch: 500/782 | 单Batch损失: 0.7007 | 平均损失: 0.8356
Epoch: 6/50 | Batch: 600/782 | 单Batch损失: 0.8859 | 平均损失: 0.8361
Epoch: 6/50 | Batch: 700/782 | 单Batch损失: 0.9563 | 平均损失: 0.8347
Epoch 6/50 完成 | Train Acc: 70.66% | Test Acc: 75.76%
Epoch: 7/50 | Batch: 100/782 | 单Batch损失: 0.8747 | 平均损失: 0.8093
Epoch: 7/50 | Batch: 200/782 | 单Batch损失: 1.0036 | 平均损失: 0.8092
Epoch: 7/50 | Batch: 300/782 | 单Batch损失: 1.0057 | 平均损失: 0.8051
Epoch: 7/50 | Batch: 400/782 | 单Batch损失: 0.6909 | 平均损失: 0.8021
Epoch: 7/50 | Batch: 500/782 | 单Batch损失: 0.9637 | 平均损失: 0.8032
Epoch: 7/50 | Batch: 600/782 | 单Batch损失: 0.8040 | 平均损失: 0.8017
Epoch: 7/50 | Batch: 700/782 | 单Batch损失: 0.6584 | 平均损失: 0.7985
Epoch 7/50 完成 | Train Acc: 72.07% | Test Acc: 77.02%
Epoch: 8/50 | Batch: 100/782 | 单Batch损失: 0.8904 | 平均损失: 0.7580
Epoch: 8/50 | Batch: 200/782 | 单Batch损失: 0.8157 | 平均损失: 0.7622
Epoch: 8/50 | Batch: 300/782 | 单Batch损失: 0.7919 | 平均损失: 0.7680
Epoch: 8/50 | Batch: 400/782 | 单Batch损失: 0.6129 | 平均损失: 0.7735
Epoch: 8/50 | Batch: 500/782 | 单Batch损失: 0.7558 | 平均损失: 0.7765
Epoch: 8/50 | Batch: 600/782 | 单Batch损失: 0.8676 | 平均损失: 0.7707
Epoch: 8/50 | Batch: 700/782 | 单Batch损失: 0.7809 | 平均损失: 0.7707
Epoch 8/50 完成 | Train Acc: 73.12% | Test Acc: 78.04%
Epoch: 9/50 | Batch: 100/782 | 单Batch损失: 0.5684 | 平均损失: 0.7385
Epoch: 9/50 | Batch: 200/782 | 单Batch损失: 0.6273 | 平均损失: 0.7469
Epoch: 9/50 | Batch: 300/782 | 单Batch损失: 0.6387 | 平均损失: 0.7449
Epoch: 9/50 | Batch: 400/782 | 单Batch损失: 0.9234 | 平均损失: 0.7443
Epoch: 9/50 | Batch: 500/782 | 单Batch损失: 0.6936 | 平均损失: 0.7458
Epoch: 9/50 | Batch: 600/782 | 单Batch损失: 0.6289 | 平均损失: 0.7409
Epoch: 9/50 | Batch: 700/782 | 单Batch损失: 0.8517 | 平均损失: 0.7394
Epoch 9/50 完成 | Train Acc: 74.17% | Test Acc: 77.30%
Epoch: 10/50 | Batch: 100/782 | 单Batch损失: 0.5745 | 平均损失: 0.7062
Epoch: 10/50 | Batch: 200/782 | 单Batch损失: 0.7678 | 平均损失: 0.7053
Epoch: 10/50 | Batch: 300/782 | 单Batch损失: 0.5875 | 平均损失: 0.7114
Epoch: 10/50 | Batch: 400/782 | 单Batch损失: 0.9563 | 平均损失: 0.7140
Epoch: 10/50 | Batch: 500/782 | 单Batch损失: 0.9436 | 平均损失: 0.7126
Epoch: 10/50 | Batch: 600/782 | 单Batch损失: 0.8752 | 平均损失: 0.7100
Epoch: 10/50 | Batch: 700/782 | 单Batch损失: 0.6457 | 平均损失: 0.7115
Epoch 10/50 完成 | Train Acc: 75.10% | Test Acc: 79.13%
Epoch: 11/50 | Batch: 100/782 | 单Batch损失: 0.9211 | 平均损失: 0.6912
Epoch: 11/50 | Batch: 200/782 | 单Batch损失: 0.8780 | 平均损失: 0.6932
Epoch: 11/50 | Batch: 300/782 | 单Batch损失: 0.9163 | 平均损失: 0.6932
Epoch: 11/50 | Batch: 400/782 | 单Batch损失: 0.7023 | 平均损失: 0.6924
Epoch: 11/50 | Batch: 500/782 | 单Batch损失: 0.7053 | 平均损失: 0.6918
Epoch: 11/50 | Batch: 600/782 | 单Batch损失: 0.6304 | 平均损失: 0.6981
Epoch: 11/50 | Batch: 700/782 | 单Batch损失: 0.5966 | 平均损失: 0.6951
Epoch 11/50 完成 | Train Acc: 75.44% | Test Acc: 79.51%
Epoch: 12/50 | Batch: 100/782 | 单Batch损失: 0.5732 | 平均损失: 0.6571
Epoch: 12/50 | Batch: 200/782 | 单Batch损失: 0.6662 | 平均损失: 0.6669
Epoch: 12/50 | Batch: 300/782 | 单Batch损失: 0.7639 | 平均损失: 0.6674
Epoch: 12/50 | Batch: 400/782 | 单Batch损失: 0.7709 | 平均损失: 0.6725
Epoch: 12/50 | Batch: 500/782 | 单Batch损失: 0.6101 | 平均损失: 0.6759
Epoch: 12/50 | Batch: 600/782 | 单Batch损失: 0.7378 | 平均损失: 0.6774
Epoch: 12/50 | Batch: 700/782 | 单Batch损失: 0.6090 | 平均损失: 0.6773
Epoch 12/50 完成 | Train Acc: 76.25% | Test Acc: 79.52%
Epoch: 13/50 | Batch: 100/782 | 单Batch损失: 0.6270 | 平均损失: 0.6519
Epoch: 13/50 | Batch: 200/782 | 单Batch损失: 0.6755 | 平均损失: 0.6514
Epoch: 13/50 | Batch: 300/782 | 单Batch损失: 0.5829 | 平均损失: 0.6508
Epoch: 13/50 | Batch: 400/782 | 单Batch损失: 0.5509 | 平均损失: 0.6495
Epoch: 13/50 | Batch: 500/782 | 单Batch损失: 0.8094 | 平均损失: 0.6534
Epoch: 13/50 | Batch: 600/782 | 单Batch损失: 0.9322 | 平均损失: 0.6520
Epoch: 13/50 | Batch: 700/782 | 单Batch损失: 0.5605 | 平均损失: 0.6541
Epoch 13/50 完成 | Train Acc: 77.25% | Test Acc: 80.81%
Epoch: 14/50 | Batch: 100/782 | 单Batch损失: 0.5599 | 平均损失: 0.6384
Epoch: 14/50 | Batch: 200/782 | 单Batch损失: 0.7316 | 平均损失: 0.6322
Epoch: 14/50 | Batch: 300/782 | 单Batch损失: 0.7134 | 平均损失: 0.6384
Epoch: 14/50 | Batch: 400/782 | 单Batch损失: 0.7536 | 平均损失: 0.6392
Epoch: 14/50 | Batch: 500/782 | 单Batch损失: 0.4908 | 平均损失: 0.6369
Epoch: 14/50 | Batch: 600/782 | 单Batch损失: 0.4640 | 平均损失: 0.6380
Epoch: 14/50 | Batch: 700/782 | 单Batch损失: 0.7344 | 平均损失: 0.6386
Epoch 14/50 完成 | Train Acc: 77.44% | Test Acc: 80.45%
Epoch: 15/50 | Batch: 100/782 | 单Batch损失: 0.6672 | 平均损失: 0.6261
Epoch: 15/50 | Batch: 200/782 | 单Batch损失: 0.3624 | 平均损失: 0.6201
Epoch: 15/50 | Batch: 300/782 | 单Batch损失: 0.4707 | 平均损失: 0.6228
Epoch: 15/50 | Batch: 400/782 | 单Batch损失: 0.4875 | 平均损失: 0.6278
Epoch: 15/50 | Batch: 500/782 | 单Batch损失: 0.6309 | 平均损失: 0.6298
Epoch: 15/50 | Batch: 600/782 | 单Batch损失: 0.9952 | 平均损失: 0.6273
Epoch: 15/50 | Batch: 700/782 | 单Batch损失: 0.6334 | 平均损失: 0.6286
Epoch 15/50 完成 | Train Acc: 78.25% | Test Acc: 81.69%
Epoch: 16/50 | Batch: 100/782 | 单Batch损失: 0.7398 | 平均损失: 0.6156
Epoch: 16/50 | Batch: 200/782 | 单Batch损失: 0.7161 | 平均损失: 0.6098
Epoch: 16/50 | Batch: 300/782 | 单Batch损失: 0.5361 | 平均损失: 0.6138
Epoch: 16/50 | Batch: 400/782 | 单Batch损失: 0.7731 | 平均损失: 0.6129
Epoch: 16/50 | Batch: 500/782 | 单Batch损失: 0.4501 | 平均损失: 0.6134
Epoch: 16/50 | Batch: 600/782 | 单Batch损失: 0.6555 | 平均损失: 0.6155
Epoch: 16/50 | Batch: 700/782 | 单Batch损失: 0.7109 | 平均损失: 0.6177
Epoch 16/50 完成 | Train Acc: 78.45% | Test Acc: 80.93%
Epoch: 17/50 | Batch: 100/782 | 单Batch损失: 0.5667 | 平均损失: 0.6023
Epoch: 17/50 | Batch: 200/782 | 单Batch损失: 0.5607 | 平均损失: 0.6125
Epoch: 17/50 | Batch: 300/782 | 单Batch损失: 0.2967 | 平均损失: 0.6074
Epoch: 17/50 | Batch: 400/782 | 单Batch损失: 0.6874 | 平均损失: 0.6013
Epoch: 17/50 | Batch: 500/782 | 单Batch损失: 0.6036 | 平均损失: 0.6017
Epoch: 17/50 | Batch: 600/782 | 单Batch损失: 0.5875 | 平均损失: 0.6031
Epoch: 17/50 | Batch: 700/782 | 单Batch损失: 0.5583 | 平均损失: 0.6053
Epoch 17/50 完成 | Train Acc: 78.70% | Test Acc: 81.77%
Epoch: 18/50 | Batch: 100/782 | 单Batch损失: 0.9007 | 平均损失: 0.5892
Epoch: 18/50 | Batch: 200/782 | 单Batch损失: 0.5438 | 平均损失: 0.5925
Epoch: 18/50 | Batch: 300/782 | 单Batch损失: 0.5258 | 平均损失: 0.5902
Epoch: 18/50 | Batch: 400/782 | 单Batch损失: 0.7258 | 平均损失: 0.5903
Epoch: 18/50 | Batch: 500/782 | 单Batch损失: 0.4318 | 平均损失: 0.5913
Epoch: 18/50 | Batch: 600/782 | 单Batch损失: 0.4372 | 平均损失: 0.5926
Epoch: 18/50 | Batch: 700/782 | 单Batch损失: 0.5601 | 平均损失: 0.5915
Epoch 18/50 完成 | Train Acc: 79.29% | Test Acc: 82.05%
Epoch: 19/50 | Batch: 100/782 | 单Batch损失: 0.5230 | 平均损失: 0.5799
Epoch: 19/50 | Batch: 200/782 | 单Batch损失: 0.4824 | 平均损失: 0.5836
Epoch: 19/50 | Batch: 300/782 | 单Batch损失: 0.6195 | 平均损失: 0.5824
Epoch: 19/50 | Batch: 400/782 | 单Batch损失: 0.7884 | 平均损失: 0.5829
Epoch: 19/50 | Batch: 500/782 | 单Batch损失: 0.6710 | 平均损失: 0.5791
Epoch: 19/50 | Batch: 600/782 | 单Batch损失: 0.6445 | 平均损失: 0.5800
Epoch: 19/50 | Batch: 700/782 | 单Batch损失: 0.5349 | 平均损失: 0.5775
Epoch 19/50 完成 | Train Acc: 79.90% | Test Acc: 82.16%
Epoch: 20/50 | Batch: 100/782 | 单Batch损失: 0.8198 | 平均损失: 0.5820
Epoch: 20/50 | Batch: 200/782 | 单Batch损失: 0.5389 | 平均损失: 0.5828
Epoch: 20/50 | Batch: 300/782 | 单Batch损失: 0.4863 | 平均损失: 0.5772
Epoch: 20/50 | Batch: 400/782 | 单Batch损失: 0.5291 | 平均损失: 0.5781
Epoch: 20/50 | Batch: 500/782 | 单Batch损失: 0.4653 | 平均损失: 0.5745
Epoch: 20/50 | Batch: 600/782 | 单Batch损失: 0.4005 | 平均损失: 0.5777
Epoch: 20/50 | Batch: 700/782 | 单Batch损失: 0.5457 | 平均损失: 0.5729
Epoch 20/50 完成 | Train Acc: 79.84% | Test Acc: 81.91%
Epoch: 21/50 | Batch: 100/782 | 单Batch损失: 0.6250 | 平均损失: 0.5542
Epoch: 21/50 | Batch: 200/782 | 单Batch损失: 0.5231 | 平均损失: 0.5522
Epoch: 21/50 | Batch: 300/782 | 单Batch损失: 0.5341 | 平均损失: 0.5554
Epoch: 21/50 | Batch: 400/782 | 单Batch损失: 0.6970 | 平均损失: 0.5562
Epoch: 21/50 | Batch: 500/782 | 单Batch损失: 0.8181 | 平均损失: 0.5609
Epoch: 21/50 | Batch: 600/782 | 单Batch损失: 0.6373 | 平均损失: 0.5589
Epoch: 21/50 | Batch: 700/782 | 单Batch损失: 0.4797 | 平均损失: 0.5594
Epoch 21/50 完成 | Train Acc: 80.16% | Test Acc: 82.21%
Epoch: 22/50 | Batch: 100/782 | 单Batch损失: 0.5660 | 平均损失: 0.5442
Epoch: 22/50 | Batch: 200/782 | 单Batch损失: 0.6617 | 平均损失: 0.5486
Epoch: 22/50 | Batch: 300/782 | 单Batch损失: 0.5918 | 平均损失: 0.5467
Epoch: 22/50 | Batch: 400/782 | 单Batch损失: 0.5633 | 平均损失: 0.5528
Epoch: 22/50 | Batch: 500/782 | 单Batch损失: 0.5715 | 平均损失: 0.5532
Epoch: 22/50 | Batch: 600/782 | 单Batch损失: 0.7328 | 平均损失: 0.5505
Epoch: 22/50 | Batch: 700/782 | 单Batch损失: 0.6840 | 平均损失: 0.5511
Epoch 22/50 完成 | Train Acc: 80.83% | Test Acc: 82.87%
Epoch: 23/50 | Batch: 100/782 | 单Batch损失: 0.6665 | 平均损失: 0.5388
Epoch: 23/50 | Batch: 200/782 | 单Batch损失: 0.4869 | 平均损失: 0.5487
Epoch: 23/50 | Batch: 300/782 | 单Batch损失: 0.6032 | 平均损失: 0.5446
Epoch: 23/50 | Batch: 400/782 | 单Batch损失: 0.6364 | 平均损失: 0.5465
Epoch: 23/50 | Batch: 500/782 | 单Batch损失: 0.4735 | 平均损失: 0.5460
Epoch: 23/50 | Batch: 600/782 | 单Batch损失: 0.4259 | 平均损失: 0.5480
Epoch: 23/50 | Batch: 700/782 | 单Batch损失: 0.4818 | 平均损失: 0.5491
Epoch 23/50 完成 | Train Acc: 80.81% | Test Acc: 82.72%
Epoch: 24/50 | Batch: 100/782 | 单Batch损失: 0.4937 | 平均损失: 0.5374
Epoch: 24/50 | Batch: 200/782 | 单Batch损失: 0.4105 | 平均损失: 0.5441
Epoch: 24/50 | Batch: 300/782 | 单Batch损失: 0.5859 | 平均损失: 0.5398
Epoch: 24/50 | Batch: 400/782 | 单Batch损失: 0.5880 | 平均损失: 0.5441
Epoch: 24/50 | Batch: 500/782 | 单Batch损失: 0.2615 | 平均损失: 0.5447
Epoch: 24/50 | Batch: 600/782 | 单Batch损失: 0.6076 | 平均损失: 0.5420
Epoch: 24/50 | Batch: 700/782 | 单Batch损失: 0.6983 | 平均损失: 0.5399
Epoch 24/50 完成 | Train Acc: 81.20% | Test Acc: 83.35%
Epoch: 25/50 | Batch: 100/782 | 单Batch损失: 0.5440 | 平均损失: 0.5191
Epoch: 25/50 | Batch: 200/782 | 单Batch损失: 0.4720 | 平均损失: 0.5166
Epoch: 25/50 | Batch: 300/782 | 单Batch损失: 0.3952 | 平均损失: 0.5230
Epoch: 25/50 | Batch: 400/782 | 单Batch损失: 0.5080 | 平均损失: 0.5288
Epoch: 25/50 | Batch: 500/782 | 单Batch损失: 0.4746 | 平均损失: 0.5311
Epoch: 25/50 | Batch: 600/782 | 单Batch损失: 0.5141 | 平均损失: 0.5327
Epoch: 25/50 | Batch: 700/782 | 单Batch损失: 0.3981 | 平均损失: 0.5319
Epoch 25/50 完成 | Train Acc: 81.25% | Test Acc: 83.80%
Epoch: 26/50 | Batch: 100/782 | 单Batch损失: 0.5543 | 平均损失: 0.5084
Epoch: 26/50 | Batch: 200/782 | 单Batch损失: 0.4612 | 平均损失: 0.5140
Epoch: 26/50 | Batch: 300/782 | 单Batch损失: 0.5524 | 平均损失: 0.5206
Epoch: 26/50 | Batch: 400/782 | 单Batch损失: 0.3419 | 平均损失: 0.5151
Epoch: 26/50 | Batch: 500/782 | 单Batch损失: 0.5154 | 平均损失: 0.5158
Epoch: 26/50 | Batch: 600/782 | 单Batch损失: 0.5432 | 平均损失: 0.5170
Epoch: 26/50 | Batch: 700/782 | 单Batch损失: 0.4248 | 平均损失: 0.5176
Epoch 26/50 完成 | Train Acc: 81.92% | Test Acc: 82.86%
Epoch: 27/50 | Batch: 100/782 | 单Batch损失: 0.5612 | 平均损失: 0.5271
Epoch: 27/50 | Batch: 200/782 | 单Batch损失: 0.4808 | 平均损失: 0.5203
Epoch: 27/50 | Batch: 300/782 | 单Batch损失: 0.6590 | 平均损失: 0.5190
Epoch: 27/50 | Batch: 400/782 | 单Batch损失: 0.3633 | 平均损失: 0.5156
Epoch: 27/50 | Batch: 500/782 | 单Batch损失: 0.5989 | 平均损失: 0.5149
Epoch: 27/50 | Batch: 600/782 | 单Batch损失: 0.5859 | 平均损失: 0.5154
Epoch: 27/50 | Batch: 700/782 | 单Batch损失: 0.4657 | 平均损失: 0.5166
Epoch 27/50 完成 | Train Acc: 81.78% | Test Acc: 83.41%
Epoch: 28/50 | Batch: 100/782 | 单Batch损失: 0.5822 | 平均损失: 0.5374
Epoch: 28/50 | Batch: 200/782 | 单Batch损失: 0.4335 | 平均损失: 0.5160
Epoch: 28/50 | Batch: 300/782 | 单Batch损失: 0.3851 | 平均损失: 0.5152
Epoch: 28/50 | Batch: 400/782 | 单Batch损失: 0.6290 | 平均损失: 0.5196
Epoch: 28/50 | Batch: 500/782 | 单Batch损失: 0.6617 | 平均损失: 0.5154
Epoch: 28/50 | Batch: 600/782 | 单Batch损失: 0.4932 | 平均损失: 0.5128
Epoch: 28/50 | Batch: 700/782 | 单Batch损失: 0.3541 | 平均损失: 0.5096
Epoch 28/50 完成 | Train Acc: 81.98% | Test Acc: 83.40%
Epoch: 29/50 | Batch: 100/782 | 单Batch损失: 0.4934 | 平均损失: 0.5057
Epoch: 29/50 | Batch: 200/782 | 单Batch损失: 0.4708 | 平均损失: 0.4953
Epoch: 29/50 | Batch: 300/782 | 单Batch损失: 0.5367 | 平均损失: 0.5017
Epoch: 29/50 | Batch: 400/782 | 单Batch损失: 0.4608 | 平均损失: 0.4952
Epoch: 29/50 | Batch: 500/782 | 单Batch损失: 0.3622 | 平均损失: 0.4946
Epoch: 29/50 | Batch: 600/782 | 单Batch损失: 0.5196 | 平均损失: 0.4969
Epoch: 29/50 | Batch: 700/782 | 单Batch损失: 0.3651 | 平均损失: 0.4958
Epoch 29/50 完成 | Train Acc: 82.54% | Test Acc: 83.85%
Epoch: 30/50 | Batch: 100/782 | 单Batch损失: 0.5355 | 平均损失: 0.4962
Epoch: 30/50 | Batch: 200/782 | 单Batch损失: 0.5237 | 平均损失: 0.4909
Epoch: 30/50 | Batch: 300/782 | 单Batch损失: 0.4176 | 平均损失: 0.4905
Epoch: 30/50 | Batch: 400/782 | 单Batch损失: 0.5369 | 平均损失: 0.4874
Epoch: 30/50 | Batch: 500/782 | 单Batch损失: 0.4165 | 平均损失: 0.4929
Epoch: 30/50 | Batch: 600/782 | 单Batch损失: 0.4333 | 平均损失: 0.4954
Epoch: 30/50 | Batch: 700/782 | 单Batch损失: 0.5642 | 平均损失: 0.4956
Epoch 30/50 完成 | Train Acc: 82.65% | Test Acc: 83.99%
Epoch: 31/50 | Batch: 100/782 | 单Batch损失: 0.2704 | 平均损失: 0.4858
Epoch: 31/50 | Batch: 200/782 | 单Batch损失: 0.5177 | 平均损失: 0.4929
Epoch: 31/50 | Batch: 300/782 | 单Batch损失: 0.6187 | 平均损失: 0.4955
Epoch: 31/50 | Batch: 400/782 | 单Batch损失: 0.3972 | 平均损失: 0.4909
Epoch: 31/50 | Batch: 500/782 | 单Batch损失: 0.5399 | 平均损失: 0.4919
Epoch: 31/50 | Batch: 600/782 | 单Batch损失: 0.5334 | 平均损失: 0.4912
Epoch: 31/50 | Batch: 700/782 | 单Batch损失: 0.5821 | 平均损失: 0.4923
Epoch 31/50 完成 | Train Acc: 82.78% | Test Acc: 83.91%
Epoch: 32/50 | Batch: 100/782 | 单Batch损失: 0.5731 | 平均损失: 0.4961
Epoch: 32/50 | Batch: 200/782 | 单Batch损失: 0.5082 | 平均损失: 0.4888
Epoch: 32/50 | Batch: 300/782 | 单Batch损失: 0.5797 | 平均损失: 0.4879
Epoch: 32/50 | Batch: 400/782 | 单Batch损失: 0.5388 | 平均损失: 0.4856
Epoch: 32/50 | Batch: 500/782 | 单Batch损失: 0.5344 | 平均损失: 0.4868
Epoch: 32/50 | Batch: 600/782 | 单Batch损失: 0.6663 | 平均损失: 0.4860
Epoch: 32/50 | Batch: 700/782 | 单Batch损失: 0.6718 | 平均损失: 0.4870
Epoch 32/50 完成 | Train Acc: 83.13% | Test Acc: 84.19%
Epoch: 33/50 | Batch: 100/782 | 单Batch损失: 0.4365 | 平均损失: 0.4755
Epoch: 33/50 | Batch: 200/782 | 单Batch损失: 0.6363 | 平均损失: 0.4804
Epoch: 33/50 | Batch: 300/782 | 单Batch损失: 0.5325 | 平均损失: 0.4808
Epoch: 33/50 | Batch: 400/782 | 单Batch损失: 0.4011 | 平均损失: 0.4773
Epoch: 33/50 | Batch: 500/782 | 单Batch损失: 0.4448 | 平均损失: 0.4755
Epoch: 33/50 | Batch: 600/782 | 单Batch损失: 0.5930 | 平均损失: 0.4792
Epoch: 33/50 | Batch: 700/782 | 单Batch损失: 0.6092 | 平均损失: 0.4799
Epoch 33/50 完成 | Train Acc: 83.18% | Test Acc: 83.99%
Epoch: 34/50 | Batch: 100/782 | 单Batch损失: 0.5462 | 平均损失: 0.4596
Epoch: 34/50 | Batch: 200/782 | 单Batch损失: 0.5766 | 平均损失: 0.4616
Epoch: 34/50 | Batch: 300/782 | 单Batch损失: 0.4425 | 平均损失: 0.4596
Epoch: 34/50 | Batch: 400/782 | 单Batch损失: 0.3873 | 平均损失: 0.4637
Epoch: 34/50 | Batch: 500/782 | 单Batch损失: 0.4783 | 平均损失: 0.4654
Epoch: 34/50 | Batch: 600/782 | 单Batch损失: 0.7729 | 平均损失: 0.4676
Epoch: 34/50 | Batch: 700/782 | 单Batch损失: 0.5320 | 平均损失: 0.4680
Epoch 34/50 完成 | Train Acc: 83.57% | Test Acc: 83.45%
Epoch: 35/50 | Batch: 100/782 | 单Batch损失: 0.5238 | 平均损失: 0.4835
Epoch: 35/50 | Batch: 200/782 | 单Batch损失: 0.5356 | 平均损失: 0.4748
Epoch: 35/50 | Batch: 300/782 | 单Batch损失: 0.4979 | 平均损失: 0.4663
Epoch: 35/50 | Batch: 400/782 | 单Batch损失: 0.2798 | 平均损失: 0.4714
Epoch: 35/50 | Batch: 500/782 | 单Batch损失: 0.3988 | 平均损失: 0.4730
Epoch: 35/50 | Batch: 600/782 | 单Batch损失: 0.6777 | 平均损失: 0.4783
Epoch: 35/50 | Batch: 700/782 | 单Batch损失: 0.4262 | 平均损失: 0.4780
Epoch 35/50 完成 | Train Acc: 83.33% | Test Acc: 84.51%
Epoch: 36/50 | Batch: 100/782 | 单Batch损失: 0.5928 | 平均损失: 0.4680
Epoch: 36/50 | Batch: 200/782 | 单Batch损失: 0.4983 | 平均损失: 0.4610
Epoch: 36/50 | Batch: 300/782 | 单Batch损失: 0.6114 | 平均损失: 0.4586
Epoch: 36/50 | Batch: 400/782 | 单Batch损失: 0.4732 | 平均损失: 0.4572
Epoch: 36/50 | Batch: 500/782 | 单Batch损失: 0.3926 | 平均损失: 0.4616
Epoch: 36/50 | Batch: 600/782 | 单Batch损失: 0.4984 | 平均损失: 0.4613
Epoch: 36/50 | Batch: 700/782 | 单Batch损失: 0.6265 | 平均损失: 0.4643
Epoch 36/50 完成 | Train Acc: 83.78% | Test Acc: 84.82%
Epoch: 37/50 | Batch: 100/782 | 单Batch损失: 0.4362 | 平均损失: 0.4745
Epoch: 37/50 | Batch: 200/782 | 单Batch损失: 0.3343 | 平均损失: 0.4586
Epoch: 37/50 | Batch: 300/782 | 单Batch损失: 0.4703 | 平均损失: 0.4577
Epoch: 37/50 | Batch: 400/782 | 单Batch损失: 0.3889 | 平均损失: 0.4572
Epoch: 37/50 | Batch: 500/782 | 单Batch损失: 0.8875 | 平均损失: 0.4610
Epoch: 37/50 | Batch: 600/782 | 单Batch损失: 0.5461 | 平均损失: 0.4585
Epoch: 37/50 | Batch: 700/782 | 单Batch损失: 0.6382 | 平均损失: 0.4605
Epoch 37/50 完成 | Train Acc: 83.84% | Test Acc: 84.42%
Epoch: 38/50 | Batch: 100/782 | 单Batch损失: 0.4582 | 平均损失: 0.4498
Epoch: 38/50 | Batch: 200/782 | 单Batch损失: 0.7184 | 平均损失: 0.4548
Epoch: 38/50 | Batch: 300/782 | 单Batch损失: 0.3584 | 平均损失: 0.4489
Epoch: 38/50 | Batch: 400/782 | 单Batch损失: 0.4717 | 平均损失: 0.4514
Epoch: 38/50 | Batch: 500/782 | 单Batch损失: 0.4588 | 平均损失: 0.4525
Epoch: 38/50 | Batch: 600/782 | 单Batch损失: 0.3519 | 平均损失: 0.4508
Epoch: 38/50 | Batch: 700/782 | 单Batch损失: 0.3129 | 平均损失: 0.4526
Epoch 38/50 完成 | Train Acc: 84.08% | Test Acc: 84.49%
Epoch: 39/50 | Batch: 100/782 | 单Batch损失: 0.3857 | 平均损失: 0.4614
Epoch: 39/50 | Batch: 200/782 | 单Batch损失: 0.4825 | 平均损失: 0.4472
Epoch: 39/50 | Batch: 300/782 | 单Batch损失: 0.2892 | 平均损失: 0.4486
Epoch: 39/50 | Batch: 400/782 | 单Batch损失: 0.2939 | 平均损失: 0.4469
Epoch: 39/50 | Batch: 500/782 | 单Batch损失: 0.2902 | 平均损失: 0.4454
Epoch: 39/50 | Batch: 600/782 | 单Batch损失: 0.6121 | 平均损失: 0.4470
Epoch: 39/50 | Batch: 700/782 | 单Batch损失: 0.7023 | 平均损失: 0.4507
Epoch 39/50 完成 | Train Acc: 84.21% | Test Acc: 84.82%
Epoch: 40/50 | Batch: 100/782 | 单Batch损失: 0.2884 | 平均损失: 0.4434
Epoch: 40/50 | Batch: 200/782 | 单Batch损失: 0.4654 | 平均损失: 0.4450
Epoch: 40/50 | Batch: 300/782 | 单Batch损失: 0.5316 | 平均损失: 0.4464
Epoch: 40/50 | Batch: 400/782 | 单Batch损失: 0.6786 | 平均损失: 0.4459
Epoch: 40/50 | Batch: 500/782 | 单Batch损失: 0.3888 | 平均损失: 0.4435
Epoch: 40/50 | Batch: 600/782 | 单Batch损失: 0.3557 | 平均损失: 0.4443
Epoch: 40/50 | Batch: 700/782 | 单Batch损失: 0.5745 | 平均损失: 0.4433
Epoch 40/50 完成 | Train Acc: 84.38% | Test Acc: 84.63%
Epoch: 41/50 | Batch: 100/782 | 单Batch损失: 0.5212 | 平均损失: 0.4493
Epoch: 41/50 | Batch: 200/782 | 单Batch损失: 0.4525 | 平均损失: 0.4408
Epoch: 41/50 | Batch: 300/782 | 单Batch损失: 0.2994 | 平均损失: 0.4430
Epoch: 41/50 | Batch: 400/782 | 单Batch损失: 0.2985 | 平均损失: 0.4431
Epoch: 41/50 | Batch: 500/782 | 单Batch损失: 0.2740 | 平均损失: 0.4434
Epoch: 41/50 | Batch: 600/782 | 单Batch损失: 0.4844 | 平均损失: 0.4433
Epoch: 41/50 | Batch: 700/782 | 单Batch损失: 0.4204 | 平均损失: 0.4439
Epoch 41/50 完成 | Train Acc: 84.51% | Test Acc: 84.18%
Epoch: 42/50 | Batch: 100/782 | 单Batch损失: 0.5287 | 平均损失: 0.4221
Epoch: 42/50 | Batch: 200/782 | 单Batch损失: 0.5413 | 平均损失: 0.4378
Epoch: 42/50 | Batch: 300/782 | 单Batch损失: 0.3873 | 平均损失: 0.4370
Epoch: 42/50 | Batch: 400/782 | 单Batch损失: 0.4044 | 平均损失: 0.4396
Epoch: 42/50 | Batch: 500/782 | 单Batch损失: 0.4453 | 平均损失: 0.4403
Epoch: 42/50 | Batch: 600/782 | 单Batch损失: 0.4199 | 平均损失: 0.4380
Epoch: 42/50 | Batch: 700/782 | 单Batch损失: 0.4969 | 平均损失: 0.4371
Epoch 42/50 完成 | Train Acc: 84.56% | Test Acc: 84.60%
Epoch: 43/50 | Batch: 100/782 | 单Batch损失: 0.4727 | 平均损失: 0.4327
Epoch: 43/50 | Batch: 200/782 | 单Batch损失: 0.4430 | 平均损失: 0.4317
Epoch: 43/50 | Batch: 300/782 | 单Batch损失: 0.4141 | 平均损失: 0.4373
Epoch: 43/50 | Batch: 400/782 | 单Batch损失: 0.5572 | 平均损失: 0.4383
Epoch: 43/50 | Batch: 500/782 | 单Batch损失: 0.3023 | 平均损失: 0.4349
Epoch: 43/50 | Batch: 600/782 | 单Batch损失: 0.5570 | 平均损失: 0.4380
Epoch: 43/50 | Batch: 700/782 | 单Batch损失: 0.4447 | 平均损失: 0.4390
Epoch 43/50 完成 | Train Acc: 84.62% | Test Acc: 84.72%
Epoch: 44/50 | Batch: 100/782 | 单Batch损失: 0.3651 | 平均损失: 0.4152
Epoch: 44/50 | Batch: 200/782 | 单Batch损失: 0.3543 | 平均损失: 0.4316
Epoch: 44/50 | Batch: 300/782 | 单Batch损失: 0.4750 | 平均损失: 0.4303
Epoch: 44/50 | Batch: 400/782 | 单Batch损失: 0.4648 | 平均损失: 0.4300
Epoch: 44/50 | Batch: 500/782 | 单Batch损失: 0.4678 | 平均损失: 0.4268
Epoch: 44/50 | Batch: 600/782 | 单Batch损失: 0.6079 | 平均损失: 0.4291
Epoch: 44/50 | Batch: 700/782 | 单Batch损失: 0.5673 | 平均损失: 0.4313
Epoch 44/50 完成 | Train Acc: 84.90% | Test Acc: 84.33%
Epoch: 45/50 | Batch: 100/782 | 单Batch损失: 0.4121 | 平均损失: 0.4128
Epoch: 45/50 | Batch: 200/782 | 单Batch损失: 0.3131 | 平均损失: 0.4238
Epoch: 45/50 | Batch: 300/782 | 单Batch损失: 0.2567 | 平均损失: 0.4322
Epoch: 45/50 | Batch: 400/782 | 单Batch损失: 0.5889 | 平均损失: 0.4295
Epoch: 45/50 | Batch: 500/782 | 单Batch损失: 0.3089 | 平均损失: 0.4310
Epoch: 45/50 | Batch: 600/782 | 单Batch损失: 0.6644 | 平均损失: 0.4289
Epoch: 45/50 | Batch: 700/782 | 单Batch损失: 0.4942 | 平均损失: 0.4308
Epoch 45/50 完成 | Train Acc: 84.72% | Test Acc: 84.93%
Epoch: 46/50 | Batch: 100/782 | 单Batch损失: 0.3762 | 平均损失: 0.4232
Epoch: 46/50 | Batch: 200/782 | 单Batch损失: 0.3745 | 平均损失: 0.4246
Epoch: 46/50 | Batch: 300/782 | 单Batch损失: 0.4650 | 平均损失: 0.4291
Epoch: 46/50 | Batch: 400/782 | 单Batch损失: 0.3855 | 平均损失: 0.4258
Epoch: 46/50 | Batch: 500/782 | 单Batch损失: 0.3601 | 平均损失: 0.4256
Epoch: 46/50 | Batch: 600/782 | 单Batch损失: 0.4095 | 平均损失: 0.4227
Epoch: 46/50 | Batch: 700/782 | 单Batch损失: 0.3413 | 平均损失: 0.4245
Epoch 46/50 完成 | Train Acc: 84.83% | Test Acc: 84.94%
Epoch: 47/50 | Batch: 100/782 | 单Batch损失: 0.3676 | 平均损失: 0.4216
Epoch: 47/50 | Batch: 200/782 | 单Batch损失: 0.4452 | 平均损失: 0.4213
Epoch: 47/50 | Batch: 300/782 | 单Batch损失: 0.3086 | 平均损失: 0.4173
Epoch: 47/50 | Batch: 400/782 | 单Batch损失: 0.3586 | 平均损失: 0.4223
Epoch: 47/50 | Batch: 500/782 | 单Batch损失: 0.5064 | 平均损失: 0.4256
Epoch: 47/50 | Batch: 600/782 | 单Batch损失: 0.4683 | 平均损失: 0.4266
Epoch: 47/50 | Batch: 700/782 | 单Batch损失: 0.6897 | 平均损失: 0.4255
Epoch 47/50 完成 | Train Acc: 85.03% | Test Acc: 84.59%
Epoch: 48/50 | Batch: 100/782 | 单Batch损失: 0.2833 | 平均损失: 0.4025
Epoch: 48/50 | Batch: 200/782 | 单Batch损失: 0.5068 | 平均损失: 0.3878
Epoch: 48/50 | Batch: 300/782 | 单Batch损失: 0.3695 | 平均损失: 0.3841
Epoch: 48/50 | Batch: 400/782 | 单Batch损失: 0.3834 | 平均损失: 0.3821
Epoch: 48/50 | Batch: 500/782 | 单Batch损失: 0.3604 | 平均损失: 0.3809
Epoch: 48/50 | Batch: 600/782 | 单Batch损失: 0.2810 | 平均损失: 0.3760
Epoch: 48/50 | Batch: 700/782 | 单Batch损失: 0.7336 | 平均损失: 0.3762
Epoch 48/50 完成 | Train Acc: 86.82% | Test Acc: 85.69%
Epoch: 49/50 | Batch: 100/782 | 单Batch损失: 0.4045 | 平均损失: 0.3605
Epoch: 49/50 | Batch: 200/782 | 单Batch损失: 0.2443 | 平均损失: 0.3677
Epoch: 49/50 | Batch: 300/782 | 单Batch损失: 0.3279 | 平均损失: 0.3684
Epoch: 49/50 | Batch: 400/782 | 单Batch损失: 0.2957 | 平均损失: 0.3715
Epoch: 49/50 | Batch: 500/782 | 单Batch损失: 0.3491 | 平均损失: 0.3712
Epoch: 49/50 | Batch: 600/782 | 单Batch损失: 0.2756 | 平均损失: 0.3694
Epoch: 49/50 | Batch: 700/782 | 单Batch损失: 0.2244 | 平均损失: 0.3706
Epoch 49/50 完成 | Train Acc: 86.94% | Test Acc: 85.66%
Epoch: 50/50 | Batch: 100/782 | 单Batch损失: 0.5195 | 平均损失: 0.3574
Epoch: 50/50 | Batch: 200/782 | 单Batch损失: 0.4095 | 平均损失: 0.3525
Epoch: 50/50 | Batch: 300/782 | 单Batch损失: 0.3406 | 平均损失: 0.3554
Epoch: 50/50 | Batch: 400/782 | 单Batch损失: 0.4305 | 平均损失: 0.3535
Epoch: 50/50 | Batch: 500/782 | 单Batch损失: 0.3260 | 平均损失: 0.3558
Epoch: 50/50 | Batch: 600/782 | 单Batch损失: 0.4929 | 平均损失: 0.3557
Epoch: 50/50 | Batch: 700/782 | 单Batch损失: 0.3980 | 平均损失: 0.3566
Epoch 50/50 完成 | Train Acc: 87.40% | Test Acc: 85.34%
训练完成！最终测试准确率: 85.34%