ppdkx

python训练营打卡第49天

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.shape
        avg_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16
            kernel_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CBAM
        self.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CBAM
        self.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CBAM
        self.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 + CBAM1
        x = self.conv_block1(x)
        x = self.cbam1(x)
        
        # 卷积块2 + CBAM2
        x = self.conv_block2(x)
        x = self.cbam2(x)
        
        # 卷积块3 + CBAM3
        x = 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 = 0.0
        correct_train = 0
        total_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_train
        train_loss_history.append(epoch_train_loss)
        train_acc_history.append(epoch_train_acc)

        # 测试阶段
        model.eval()
        test_loss = 0.0
        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()

        # 计算 epoch 级测试指标
        epoch_test_loss = test_loss / len(test_loader)
        epoch_test_acc = 100. * correct_test / total_test
        test_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%

@浙大疏锦行

你可能感兴趣的:(python打卡,python,开发语言)

python 读excel每行替换_Python脚本操作Excel实现批量替换功能 weixin_39646695 python 读excel每行替换
Python脚本操作Excel实现批量替换功能大家好，给大家分享下如何使用Python脚本操作Excel实现批量替换。使用的工具Openpyxl，一个处理excel的python库，处理excel，其实针对的就是WorkBook，Sheet，Cell这三个最根本的元素~明确需求原始excel如下我们的目标是把下面excel工作表的sheet1表页A列的内容“替换我吧”批量替换为B列的“我用来替换的
自律打卡第四天：比昨天进步一点点花儿的念想
今天新闻我们县城又确诊了一例，截止目前已经确诊的三例了，打开，看了一篇简友写的武汉的真实情况，有病住不了院，还没等到床位已经去世的消息，心里更加的难受，武汉尚且这样，如果是我们这没有高速没有火车的十八线的小县城发生这种情况，那情况将是更加的不堪设想，不敢想，唯有祈求灾难早点快去，平安才是最大的福气。突然觉得我的自律打卡，比昨天进步一点点。更希望疫情战争每一天都要比昨天好一点，希望一觉醒来听到的是好
你要记住，最重要的是:随时做好准备，为了你可能成为更好的自己，放弃现在的自己。霖霖z
打卡人:周云日期:2018年11月09日【日精进打卡第180天】【知～学习】《六项精进》0遍共214遍《通篇》1遍共106遍《大学》2遍共347遍《坚强工作，温柔生活》ok《不抱怨的世界》104-108页《经典名句》你要记住，最重要的是:随时做好准备，为了你可能成为更好的自己，放弃现在的自己。【行～实践】一、修身：（对自己个人）1、坚持打卡二、齐家：（对家庭和家人）打扫卫生，接送孩子，洗衣做饭，陪
读书打卡《别想太多啦》 chenchen_68ed
第一，世间之事，不去尝试永远不知道其中的奥秘，在尝试中有失败是必然的。如果担心失败，那什么都学不会。第二，经历的失败越多，越会对失败者抱有宽容的态度，“原来如此，我也经历过类似的失败啦，那只是暂时的”。经历越多失败的长者，越能包容别人，这也就是所谓的“越年长越宽容”。成熟的人，就是在众多失败经历中不断学习，并接纳别人的失败。对于他人的小小过失不吹毛求疵，自己的心态会更加平和。在不断失败中学习，让自
心力践行营十二期一阶学习打卡 LX_王彤彤
姓名：王彤彤时间：2021年4月24日一：朗读师父的十大人生哲学二：师父的早安分享感悟很喜欢这句话：所有的行动都是基于目标的尝试，没有所谓的失败，只是不同尝试后得到的不同结果，让我们更好地调整下一次的行动。三：感恩日记1.我太幸福了，我很感恩姑姑，因为姑姑放假又投喂了我，还给我带了饺子回家，这让我感觉很幸福。谢谢，谢谢，谢谢。2.我太幸福了，我很感恩师父晚上的直播，因为听他的分享我知道怎么更好的去
2021-10-23 赵甄文的幸福
秀荣感恩日记Day42[烟花]感恩语录感恩自己有能力有好身体，可以到处走动，做自己想做的事情10.23感恩日记今天做的事情瑜伽一小时户外散步一小时泡脚20分钟学习打卡和孩子沟通[爱心]感动的瞬间今天瑜伽回来，发现老公在厨房里做鱼。每次老公有时间休息的时候都会给我做硬菜。刘姐约我一起去公园散步晒太阳。虽然完美错过，但心里还是暖暖的。每天睁开眼打开手机，先去自己的群里逛一逛，每每发现有人点赞或者互动都
2018-08-29精进打卡米兰王
姓名:王兰英【日精进打卡第25天】【知～学习】《六项精进》1遍共39遍《大学》1遍共50遍【经典名句分享】一切都是最好的安排。【行～实践】一、修身：（对自己个人）1，散步1小时。2，每天坚持读书。二、齐家：（对家庭和家人）1，指导孩子开车。2，和家人一起逛超市。三、建功：（对工作）用心做好每件事。｛积善｝：发愿从2018年8月5日起1年内365个善事。今日1善，累计27善。【省～觉悟】正人先正己。
python笔记14介绍几个魔法方法抢公主的大魔王 python python
python笔记14介绍几个魔法方法先声明一下各位大佬，这是我的笔记。如有错误，恳请指正。另外，感谢您的观看，谢谢啦！(1).__doc__输出对应的函数，类的说明文档print(print.__doc__)print(value,...,sep='',end='\n',file=sys.stdout,flush=False)Printsthevaluestoastream,ortosys.std
Anaconda 和 Miniconda：功能详解与选择建议古月฿ python入门 python conda
Anaconda和Miniconda详细介绍一、Anaconda的详细介绍1.什么是Anaconda？Anaconda是一个开源的包管理和环境管理工具，在数据科学、机器学习以及科学计算领域发挥着关键作用。它以Python和R语言为基础，为用户精心准备了大量预装库和工具，极大地缩短了搭建数据科学环境的时间。对于那些想要快速开展数据分析、模型训练等工作的人员来说，Anaconda就像是一个一站式的“数
环境搭建 | Python + Anaconda / Miniconda + PyCharm 的安装、配置与使用
本文将分别介绍Python、Anaconda/Miniconda、PyCharm的安装、配置与使用，详细介绍Python环境搭建的全过程，涵盖Python、Pip、PythonLauncher、Anaconda、Miniconda、Pycharm等内容，以官方文档为参照，使用经验为补充，内容全面而详实。由于图片太多，就先贴一个无图简化版吧，详情请查看Python+Anaconda/Minicond
你竟然还在用克隆删除？Conda最新版rename命令全攻略！曦紫沐 Python基础知识 conda 虚拟环境管理
文章摘要Conda虚拟环境管理终于迎来革命性升级！本文揭秘Conda4.9+版本新增的rename黑科技，彻底告别传统“克隆+删除”的繁琐操作。从命令解析到实战案例，手把手教你如何安全高效地重命名Python虚拟环境，附带版本检测、环境迁移、故障排查等进阶技巧，助你提升开发效率10倍！一、颠覆认知：Conda居然自带重命名功能？很多开发者仍停留在“Conda无法直接重命名环境”的认知阶段，实际上自
centos7安装配置 Anaconda3
Anaconda是一个用于科学计算的Python发行版,Anaconda于Python，相当于centos于linux。下载[root@testsrc]#mwgethttps://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-5.2.0-Linux-x86_64.shBegintodownload:Anaconda3-5.2.0-L
Pandas：数据科学的超级瑞士军刀科技林总 DeepSeek学AI 人工智能
**——从零基础到高效分析的进化指南**###**一、Pandas诞生：数据革命的救世主****2010年前的数据分析噩梦**：```python#传统Python处理表格数据data=[]forrowincsv_file:ifrow[3]>100androw[2]=="China":data.append(float(row[5])#代码冗长易错！```**核心痛点**：-Excel处理百万行崩
2023-01-07 阿诗玛_6209
姓名：赵丽娟【日精进打卡第1783天】【知～学习】读书《经营与会计》ok《活法》3-47-8【经典名句】执着追求并从中得到最大快乐的人，才是成功者。——梭罗一、修身：（对自己个人）1、保持心态平和.2、坚持打卡.坚持读书。3、早晨喝杯温水.4、坚持烫脚，养成早睡早起的习惯.二、齐家：三、建功：（对工作）｛积善｝：发愿从2018年1月28日起见善行善，今日0善。【省～觉悟】1,睡觉时把手机放到离自己
好学生引路人2021年6月21日星期一一米阳光2025年
5组21号董文娟（甘肃省白银市靖远县小芦小学语文教师）的打卡记录：1.听录音，读原文：《论语·学政第二》之2.42[爱心]2.听分享，写心得：认真聆听了好几遍辛教授的讲解《为政第二》2.4后，深有感触，孔子说自己的学习是有所自觉的学习，而不是盲目的学习。自己最向往的志向，三十而立，坚定的自守，立于自己的志向，我感觉我自己正处于这个“三十而立”的年龄，能真正达到一切游刃有余，财务自由，志向远大的生命
【Jupyter】个人开发常见命令 TIM老师 #Pycharm &VSCode python Jupyter
1.查看python版本importsysprint(sys.version)2.ipynb/py文件转换jupyternbconvert--topythonmy_file.ipynbipynb转换为mdjupyternbconvert--tomdmy_file.ipynbipynb转为htmljupyternbconvert--tohtmlmy_file.ipynbipython转换为pdfju
互加网课心得体会二荷包蛋的小屋
夏加儿美术日子过得飞快，没想到上周的打卡到了今天晚上才有时间补上，周末的时候外出两天培训学习，时间很紧张，学习到晚上十点，但是这种充实感是非常棒的，因为周五上的夏加儿美术和快乐音乐，孩子们的作品都没有完成，我让他们带回家周末完成，周末里问孩子拍照发给我的也不多，所以我就决定周一打卡吧。夏加儿美术这一节课为我们带来的是《风景写生》，连续两节课开始侧重于专业知识的讲解，对孩子们的专业美术素养有了更大的
用 Python 开发小游戏：零基础也能做出《贪吃蛇》
本文专为零基础学习者打造，详细介绍如何用Python开发经典小游戏《贪吃蛇》。无需复杂编程知识，从环境搭建到代码编写、功能实现，逐步讲解核心逻辑与操作。涵盖Pygame库的基础运用、游戏界面设计、蛇的移动与食物生成规则等，让新手能按步骤完成开发，同时融入SEO优化要点，帮助读者轻松入门Python游戏开发，体验从0到1做出游戏的乐趣。一、为什么选择用Python开发《贪吃蛇》对于零基础学习者来说，
基于Python的AI健康助手：开发与部署全攻略 AI算力网络与通信 AI算力网络与通信原理 AI人工智能大数据架构 python 人工智能开发语言 ai
基于Python的AI健康助手：开发与部署全攻略关键词：Python、AI健康助手、机器学习、自然语言处理、Flask、部署、健康管理摘要：本文将详细介绍如何使用Python开发一个AI健康助手，从需求分析、技术选型到核心功能实现，再到最终部署上线的完整过程。我们将使用自然语言处理技术理解用户健康咨询，通过机器学习模型提供个性化建议，并展示如何用Flask框架构建Web应用接口。文章包含大量实际代
AI人工智能中的数据挖掘：提升智能决策能力
AI人工智能中的数据挖掘：提升智能决策能力关键词：数据挖掘、人工智能、机器学习、智能决策、数据分析、特征工程、模型优化摘要：本文深入探讨了数据挖掘在人工智能领域中的核心作用，重点分析了如何通过数据挖掘技术提升智能决策能力。文章从基础概念出发，详细介绍了数据挖掘的关键算法、数学模型和实际应用场景，并通过Python代码示例展示了数据挖掘的全流程。最后，文章展望了数据挖掘技术的未来发展趋势和面临的挑战
lesson20：Python函数的标注你的电影很有趣 python 开发语言
目录引言：为什么函数标注是现代Python开发的必备技能一、函数标注的基础语法1.1参数与返回值标注1.2支持的标注类型1.3Python3.9+的重大改进：标准集合泛型二、高级标注技巧与最佳实践2.1复杂参数结构标注2.2函数类型与回调标注2.3变量注解与类型别名三、静态类型检查工具应用3.1mypy：最流行的类型检查器3.2Pyright与IDE集成3.3运行时类型验证四、函数标注的工程价值与
Jupyter Notebook：数据科学的“瑞士军刀” a小胡哦机器学习基础人工智能机器学习
在数据科学的世界里，JupyterNotebook是一个不可或缺的工具，它就像是数据科学家手中的“瑞士军刀”，功能强大且灵活多变。今天，就让我们一起深入了解这个神奇的工具。一、JupyterNotebook是什么？JupyterNotebook是一个开源的Web应用程序，它允许你创建和共享包含实时代码、方程、可视化和解释性文本的文档。它支持多种编程语言，其中Python是最常用的语言之一。Jupy
Django学习笔记（一）
学习视频为：pythondjangoweb框架开发入门全套视频教程一、安装pipinstalldjango==****检查是否安装成功django.get_version()二、django新建项目操作1、新建一个项目django-adminstartprojectproject_name2、新建APPcdproject_namedjango-adminstartappApp注：一个project
5.2 20190503 MaggieFeng1988
姓名：冯进平公司：上海晋名实业有限公司【日精进打卡第403天】六项精进221期努力一组学员六项精进410期乐观三组志工六项精进423期反省三组志工六项精进469期努力二组志工【知～学习】诵读《六项精进》大纲0遍，共513遍；诵读《六项精进》通篇0遍，共33遍；背诵《大学》0遍，共492遍；阅读《活法》贰第053–063也；荔枝阅读《思维方式》020-036《敬天爱人》手抄第十二天【经典名句】1.放
Python 程序设计讲义（26）：字符串的用法——字符的编码睿思达DBA_WGX Python 讲义 python 开发语言
Python程序设计讲义（26）：字符串的用法——字符的编码目录Python程序设计讲义（26）：字符串的用法——字符的编码一、字符的编码二、`ASCII`编码三、`Unicode`编码四、使用`ord()`函数查询一个字符对应的`Unicode`编码五、使用`chr()`函数查询一个`Unicode`编码对应的字符六、`Python`字符串的特征一、字符的编码计算机默认只能处理二进制数，而不能处
【Python】pypinyin-汉字拼音转换工具鸟哥大大 Python python 自然语言处理
文章目录1.主要功能2.安装3.常用API3.1拼音风格3.2核心API3.2.1pypinyin.pinyin()3.2.2pypinyin.lazy_pinyin()3.2.3pypinyin.load_single_dict()3.2.4pypinyin.load_phrases_dict()3.2.5pypinyin.slug()3.3注册新的拼音风格4.基本用法4.1库导入4.2基本汉字
python编程第十四课：数据可视化小小源助手 Python代码实例信息可视化 python 开发语言
Python数据可视化：让数据“开口说话”在当今数据爆炸的时代，数据可视化已成为探索数据规律、传达数据信息的关键技术。Python凭借其丰富的第三方库，为数据可视化提供了强大而灵活的解决方案。本文将带你深入了解Matplotlib库的基础绘图、Seaborn库的高级可视化以及交互式可视化工具Plotly，帮助你通过图表清晰地展示数据背后的故事。一、Matplotlib库基础绘图Matplotlib
Python数据可视化：用代码绘制数据背后的故事 AAEllisonPang Python 信息可视化 python 开发语言
引言：当数据会说话在数据爆炸的时代，可视化是解锁数据价值的金钥匙。Python凭借其丰富的可视化生态库，已成为数据科学家的首选工具。本文将带您从基础到高级，探索如何用Python将冰冷数字转化为引人入胜的视觉叙事。一、基础篇：二维可视化的艺术表达1.1Matplotlib：可视化领域的瑞士军刀importmatplotlib.pyplotaspltimportnumpyasnpx=np.linsp
python学习笔记（汇总）朕的剑还未配妥 python学习笔记整理 python 学习开发语言
文章目录一.基础知识二.python中的数据类型三.运算符四.程序的控制结构五.列表六.字典七.元组八.集合九.字符串十.函数十一.解决bug一.基础知识print函数字符串要加引号，数字可不加引号，如print(123.4)print('小谢')print("洛天依")还可输入表达式，如print(1+3)如果使用三引号，print打印的内容可不在同一行print("line1line2line
PDF转Markdown - Python 实现方案与代码 Eiceblue Python Python PDF pdf python 开发语言 vscode
PDF作为广泛使用的文档格式，转换为轻量级标记语言Markdown后，可无缝集成到技术文档、博客平台和版本控制系统中，提高内容的可编辑性和可访问性。本文将详细介绍如何使用国产Spire.PDFforPython库将PDF文档转换为Markdown格式。技术优势：精准保留原始文档结构（段落/列表/表格）完整提取文本和图像内容无需Adobe依赖的纯Python实现支持Linux/Windows/mac
mondb入手木zi_鸣 mongodb
windows 启动mongodb 编写bat文件， mongod --dbpath D:\software\MongoDBDATA mongod --help 查询各种配置配置在mongob 打开批处理，即可启动，27017原生端口，shell操作监控端口扩展28017，web端操作端口启动配置文件配置，数据更灵活
大型高并发高负载网站的系统架构 bijian1013 高并发负载均衡
扩展Web应用程序一.概念简单的来说，如果一个系统可扩展，那么你可以通过扩展来提供系统的性能。这代表着系统能够容纳更高的负载、更大的数据集，并且系统是可维护的。扩展和语言、某项具体的技术都是无关的。扩展可以分为两种： 1.
DISPLAY变量和xhost(原创) czmmiao display
DISPLAY 在Linux/Unix类操作系统上, DISPLAY用来设置将图形显示到何处. 直接登陆图形界面或者登陆命令行界面后使用startx启动图形, DISPLAY环境变量将自动设置为:0:0, 此时可以打开终端, 输出图形程序的名称(比如xclock)来启动程序, 图形将显示在本地窗口上, 在终端上输入printenv查看当前环境变量, 输出结果中有如下内容:DISPLAY=:0.0
获取B/S客户端IP 周凡杨 java 编程 jsp Web 浏览器
最近想写个B/S架构的聊天系统，因为以前做过C/S架构的QQ聊天系统，所以对于Socket通信编程只是一个巩固。对于C/S架构的聊天系统，由于存在客户端Java应用，所以直接在代码中获取客户端的IP，应用的方法为： String ip = InetAddress.getLocalHost().getHostAddress(); 然而对于WEB
浅谈类和对象朱辉辉33 编程
类是对一类事物的总称，对象是描述一个物体的特征，类是对象的抽象。简单来说，类是抽象的，不占用内存，对象是具体的，占用存储空间。类是由属性和方法构成的，基本格式是public class 类名{ //定义属性 private/public 数据类型属性名； //定义方法 publ
android activity与viewpager+fragment的生命周期问题肆无忌惮_ viewpager
有一个Activity里面是ViewPager，ViewPager里面放了两个Fragment。第一次进入这个Activity。开启了服务，并在onResume方法中绑定服务后，对Service进行了一定的初始化，其中调用了Fragment中的一个属性。 super.onResume(); bindService(intent, conn, BIND_AUTO_CREATE);
base64Encode对图片进行编码 843977358 base64 图片 encoder
/** * 对图片进行base64encoder编码 * * @author mrZhang * @param path * @return */ public static String encodeImage(String path) { BASE64Encoder encoder = null; byte[] b = null; I
Request Header简介 aigo servlet
当一个客户端(通常是浏览器)向Web服务器发送一个请求是，它要发送一个请求的命令行，一般是GET或POST命令，当发送POST命令时，它还必须向服务器发送一个叫“Content-Length”的请求头(Request Header) 用以指明请求数据的长度，除了Content-Length之外，它还可以向服务器发送其它一些Headers，如：
HttpClient4.3 创建SSL协议的HttpClient对象 alleni123 httpclient 爬虫 ssl
public class HttpClientUtils { public static CloseableHttpClient createSSLClientDefault(CookieStore cookies){ SSLContext sslContext=null; try { sslContext=new SSLContextBuilder().l
java取反 -右移-左移-无符号右移的探讨百合不是茶位运算符位移
取反：在二进制中第一位，1表示符数，0表示正数 byte a = -1; 原码：10000001 反码：11111110 补码：11111111 //异或: 00000000 byte b = -2; 原码：10000010 反码：11111101 补码：11111110 //异或: 00000001
java多线程join的作用与用法 bijian1013 java 多线程
对于JAVA的join，JDK 是这样说的：join public final void join （long millis ）throws InterruptedException Waits at most millis milliseconds for this thread to die. A timeout of 0 means t
Java发送http请求(get 与post方法请求) bijian1013 java spring
PostRequest.java package com.bijian.study; import java.io.BufferedReader; import java.io.DataOutputStream; import java.io.IOException; import java.io.InputStreamReader; import java.net.HttpURL
【Struts2二】struts.xml中package下的action配置项默认值 bit1129 struts.xml
在第一部份，定义了struts.xml文件，如下所示： <!DOCTYPE struts PUBLIC "-//Apache Software Foundation//DTD Struts Configuration 2.3//EN" "http://struts.apache.org/dtds/struts
【Kafka十三】Kafka Simple Consumer bit1129 simple
代码中关于Host和Port是割裂开的，这会导致单机环境下的伪分布式Kafka集群环境下，这个例子没法运行。实际情况是需要将host和port绑定到一起， package kafka.examples.lowlevel; import kafka.api.FetchRequest; import kafka.api.FetchRequestBuilder; impo
nodejs学习api ronin47 nodejs api
NodeJS基础什么是NodeJS JS是脚本语言，脚本语言都需要一个解析器才能运行。对于写在HTML页面里的JS，浏览器充当了解析器的角色。而对于需要独立运行的JS，NodeJS就是一个解析器。每一种解析器都是一个运行环境，不但允许JS定义各种数据结构，进行各种计算，还允许JS使用运行环境提供的内置对象和方法做一些事情。例如运行在浏览器中的JS的用途是操作DOM，浏览器就提供了docum
java-64.寻找第N个丑数 bylijinnan java
public class UglyNumber { /** * 64.查找第N个丑数具体思路可参考 [url] http://zhedahht.blog.163.com/blog/static/2541117420094245366965/[/url] * 题目：我们把只包含因子 2、3和5的数称作丑数（Ugly Number）。例如6、8都是丑数，但14
二维数组（矩阵）对角线输出 bylijinnan 二维数组
/** 二维数组对角线输出两个方向例如对于数组： { 1, 2, 3, 4 }, { 5, 6, 7, 8 }, { 9, 10, 11, 12 }, { 13, 14, 15, 16 }, slash方向输出： 1 5 2 9 6 3 13 10 7 4 14 11 8 15 12 16 backslash输出： 4 3
[JWFD开源工作流设计]工作流跳跃模式开发关键点(今日更新) comsci 工作流
既然是做开源软件的,我们的宗旨就是给大家分享设计和代码,那么现在我就用很简单扼要的语言来透露这个跳跃模式的设计原理大家如果用过JWFD的ARC-自动运行控制器,或者看过代码,应该知道在ARC算法模块中有一个函数叫做SAN(),这个函数就是ARC的核心控制器,要实现跳跃模式,在SAN函数中一定要对LN链表数据结构进行操作,首先写一段代码,把
redis常见使用 cuityang redis 常见使用
redis 通常被认为是一个数据结构服务器，主要是因为其有着丰富的数据结构 strings、map、 list、sets、 sorted sets 引入jar包 jedis-2.1.0.jar (本文下方提供下载) package redistest; import redis.clients.jedis.Jedis; public class Listtest
配置多个redis dalan_123 redis
配置多个redis客户端 <?xml version="1.0" encoding="UTF-8"?><beans xmlns="http://www.springframework.org/schema/beans" xmlns:xsi=&quo
attrib命令 dcj3sjt126com attr
attrib指令用于修改文件的属性.文件的常见属性有:只读.存档.隐藏和系统. 只读属性是指文件只可以做读的操作.不能对文件进行写的操作.就是文件的写保护. 存档属性是用来标记文件改动的.即在上一次备份后文件有所改动.一些备份软件在备份的时候会只去备份带有存档属性的文件.
Yii使用公共函数 dcj3sjt126com yii
在网站项目中，没必要把公用的函数写成一个工具类，有时候面向过程其实更方便。在入口文件index.php里添加 require_once('protected/function.php'); 即可对其引用，成为公用的函数集合。 function.php如下： <?php /** * This is the shortcut to D
linux 系统资源的查看（free、uname、uptime、netstat） eksliang netstat linux uname linux uptime linux free
linux 系统资源的查看转载请出自出处：http://eksliang.iteye.com/blog/2167081 http://eksliang.iteye.com 一、free查看内存的使用情况语法如下： free [-b][-k][-m][-g] [-t] 参数含义 -b:直接输入free时，显示的单位是kb我们可以使用b(bytes),m
JAVA的位操作符 greemranqq 位运算 JAVA位移 <<>>>
最近几种进制，加上各种位操作符，发现都比较模糊，不能完全掌握，这里就再熟悉熟悉。 1.按位操作符：按位操作符是用来操作基本数据类型中的单个bit,即二进制位，会对两个参数执行布尔代数运算，获得结果。与（&）运算： 1&1 = 1, 1&0 = 0, 0&0 &
Web前段学习网站 ihuning Web
Web前段学习网站菜鸟学习：http://www.w3cschool.cc/ JQuery中文网：http://www.jquerycn.cn/ 内存溢出：http://outofmemory.cn/#csdn.blog http://www.icoolxue.com/ http://www.jikexue
强强联合：FluxBB 作者加盟 Flarum justjavac r
原文：FluxBB Joins Forces With Flarum作者：Toby Zerner译文：强强联合：FluxBB 作者加盟 Flarum译者：justjavac FluxBB 是一个快速、轻量级论坛软件，它的开发者是一名德国的 PHP 天才 Franz Liedke。FluxBB 的下一个版本(2.0)将被完全重写，并已经开发了一段时间。FluxBB 看起来非常有前途的，
java统计在线人数（session存储信息的） macroli java Web
这篇日志是我写的第三次了前两次都发布失败！郁闷极了！由于在web开发中常常用到这一部分所以在此记录一下，呵呵，就到备忘录了！我对于登录信息时使用session存储的，所以我这里是通过实现HttpSessionAttributeListener这个接口完成的。 1、实现接口类，在web.xml文件中配置监听类，从而可以使该类完成其工作。 public class Ses
bootstrp carousel初体验快速构建图片播放 qiaolevip 每天进步一点点学习永无止境 bootstrap 纵观千象
img{ border: 1px solid white; box-shadow: 2px 2px 12px #333; _width: expression(this.width > 600 ? "600px" : this.width + "px"); _height: expression(this.width &
SparkSQL读取HBase数据，通过自定义外部数据源 superlxw1234 spark sparksql sparksql读取hbase sparksql外部数据源
关键字：SparkSQL读取HBase、SparkSQL自定义外部数据源前面文章介绍了SparSQL通过Hive操作HBase表。 SparkSQL从1.2开始支持自定义外部数据源(External DataSource)，这样就可以通过API接口来实现自己的外部数据源。这里基于Spark1.4.0，简单介绍SparkSQL自定义外部数据源，访
Spring Boot 1.3.0.M1发布 wiselyman spring boot
Spring Boot 1.3.0.M1于6.12日发布，现在可以从Spring milestone repository下载。这个版本是基于Spring Framework 4.2.0.RC1,并在Spring Boot 1.2之上提供了大量的新特性improvements and new features。主要包含以下： 1.提供一个新的sprin