数据集准备...
进入训练过程...
迭代0, 批次0, 损失2.4875810146331787, 当前训练集上精度0.0625
迭代0, 批次200, 损失0.48380517959594727, 当前训练集上精度0.875
迭代0, 批次400, 损失0.24822589755058289, 当前训练集上精度0.9375
迭代0, 批次600, 损失0.487143874168396, 当前训练集上精度0.90625
迭代0, 批次800, 损失0.2527279555797577, 当前训练集上精度0.875
迭代0, 批次1000, 损失0.3019079864025116, 当前训练集上精度0.90625
迭代0, 批次1200, 损失0.33369308710098267, 当前训练集上精度0.875
迭代0, 批次1400, 损失0.2272910177707672, 当前训练集上精度0.875
迭代0, 批次1600, 损失0.16441354155540466, 当前训练集上精度0.9375
迭代0, 批次1800, 损失0.27443164587020874, 当前训练集上精度0.9375
迭代0, 批次1874, 损失0.030678825452923775, 当前训练集上精度1.0
========= 当前在测试集上的精度 0.9372000098228455
迭代1, 批次0, 损失0.2048506885766983, 当前训练集上精度0.9375
迭代1, 批次200, 损失0.13969089090824127, 当前训练集上精度0.9375
迭代1, 批次400, 损失0.08708763867616653, 当前训练集上精度0.96875
迭代1, 批次600, 损失0.14956969022750854, 当前训练集上精度0.9375
迭代1, 批次800, 损失0.07123363018035889, 当前训练集上精度0.96875
迭代1, 批次1000, 损失0.2590464949607849, 当前训练集上精度0.90625
迭代1, 批次1200, 损失0.23192226886749268, 当前训练集上精度0.9375
迭代1, 批次1400, 损失0.11939424276351929, 当前训练集上精度0.96875
迭代1, 批次1600, 损失0.1668688952922821, 当前训练集上精度0.96875
迭代1, 批次1800, 损失0.1679193377494812, 当前训练集上精度0.96875
迭代1, 批次1874, 损失0.07121012359857559, 当前训练集上精度0.96875
========= 当前在测试集上的精度 0.9567999839782715
迭代2, 批次0, 损失0.11145652085542679, 当前训练集上精度0.96875
迭代2, 批次200, 损失0.03482219576835632, 当前训练集上精度1.0
迭代2, 批次400, 损失0.03897915035486221, 当前训练集上精度1.0
迭代2, 批次600, 损失0.05673234164714813, 当前训练集上精度0.96875
迭代2, 批次800, 损失0.033158596605062485, 当前训练集上精度1.0
迭代2, 批次1000, 损失0.18901778757572174, 当前训练集上精度0.90625
迭代2, 批次1200, 损失0.18987560272216797, 当前训练集上精度0.9375
迭代2, 批次1400, 损失0.08881174027919769, 当前训练集上精度0.96875
迭代2, 批次1600, 损失0.1722571849822998, 当前训练集上精度0.9375
迭代2, 批次1800, 损失0.12206757068634033, 当前训练集上精度0.9375
迭代2, 批次1874, 损失0.07528229802846909, 当前训练集上精度0.96875
========= 当前在测试集上的精度 0.9635999798774719
迭代3, 批次0, 损失0.08820056915283203, 当前训练集上精度0.96875
迭代3, 批次200, 损失0.05426213890314102, 当前训练集上精度1.0
迭代3, 批次400, 损失0.08322736620903015, 当前训练集上精度0.96875
迭代3, 批次600, 损失0.04565413296222687, 当前训练集上精度1.0
迭代3, 批次800, 损失0.040057338774204254, 当前训练集上精度1.0
迭代3, 批次1000, 损失0.08817508071660995, 当前训练集上精度0.96875
迭代3, 批次1200, 损失0.19145548343658447, 当前训练集上精度0.96875
迭代3, 批次1400, 损失0.11817243695259094, 当前训练集上精度0.96875
迭代3, 批次1600, 损失0.07540454715490341, 当前训练集上精度0.96875
迭代3, 批次1800, 损失0.18527278304100037, 当前训练集上精度0.9375
迭代3, 批次1874, 损失0.014253702014684677, 当前训练集上精度1.0
========= 当前在测试集上的精度 0.9707000255584717
迭代4, 批次0, 损失0.033436402678489685, 当前训练集上精度1.0
迭代4, 批次200, 损失0.05059041082859039, 当前训练集上精度0.96875
迭代4, 批次400, 损失0.06161598116159439, 当前训练集上精度0.9375
迭代4, 批次600, 损失0.021055918186903, 当前训练集上精度1.0
迭代4, 批次800, 损失0.02584456279873848, 当前训练集上精度1.0
迭代4, 批次1000, 损失0.12528756260871887, 当前训练集上精度0.96875
迭代4, 批次1200, 损失0.19544005393981934, 当前训练集上精度0.9375
迭代4, 批次1400, 损失0.0417754165828228, 当前训练集上精度1.0
迭代4, 批次1600, 损失0.07766939699649811, 当前训练集上精度0.96875
迭代4, 批次1800, 损失0.08286014199256897, 当前训练集上精度0.96875
迭代4, 批次1874, 损失0.04359447956085205, 当前训练集上精度1.0
========= 当前在测试集上的精度 0.9708999991416931
迭代5, 批次0, 损失0.023147262632846832, 当前训练集上精度1.0
迭代5, 批次200, 损失0.028830071911215782, 当前训练集上精度1.0
迭代5, 批次400, 损失0.026930764317512512, 当前训练集上精度1.0
迭代5, 批次600, 损失0.017201663926243782, 当前训练集上精度1.0
迭代5, 批次800, 损失0.007320281583815813, 当前训练集上精度1.0
迭代5, 批次1000, 损失0.0850382149219513, 当前训练集上精度0.96875
迭代5, 批次1200, 损失0.12988604605197906, 当前训练集上精度0.96875
迭代5, 批次1400, 损失0.13435548543930054, 当前训练集上精度0.96875
迭代5, 批次1600, 损失0.04297562688589096, 当前训练集上精度1.0
迭代5, 批次1800, 损失0.07141799479722977, 当前训练集上精度0.96875
迭代5, 批次1874, 损失0.06261233985424042, 当前训练集上精度0.96875
========= 当前在测试集上的精度 0.9745000004768372
迭代6, 批次0, 损失0.01791161485016346, 当前训练集上精度1.0
迭代6, 批次200, 损失0.025556668639183044, 当前训练集上精度1.0
迭代6, 批次400, 损失0.13657300174236298, 当前训练集上精度0.96875
迭代6, 批次600, 损失0.022373367100954056, 当前训练集上精度1.0
迭代6, 批次800, 损失0.00863123033195734, 当前训练集上精度1.0
迭代6, 批次1000, 损失0.11290699243545532, 当前训练集上精度0.96875
迭代6, 批次1200, 损失0.10693136602640152, 当前训练集上精度0.96875
迭代6, 批次1400, 损失0.1180199384689331, 当前训练集上精度0.9375
迭代6, 批次1600, 损失0.09269854426383972, 当前训练集上精度0.96875
迭代6, 批次1800, 损失0.0636097714304924, 当前训练集上精度0.96875
迭代6, 批次1874, 损失0.03437095880508423, 当前训练集上精度1.0
========= 当前在测试集上的精度 0.9739999771118164
迭代7, 批次0, 损失0.03234776481986046, 当前训练集上精度1.0
迭代7, 批次200, 损失0.031091734766960144, 当前训练集上精度1.0
迭代7, 批次400, 损失0.07718285918235779, 当前训练集上精度0.96875
迭代7, 批次600, 损失0.028797104954719543, 当前训练集上精度1.0
迭代7, 批次800, 损失0.007902447134256363, 当前训练集上精度1.0
迭代7, 批次1000, 损失0.0874505341053009, 当前训练集上精度0.96875
迭代7, 批次1200, 损失0.14140108227729797, 当前训练集上精度0.96875
迭代7, 批次1400, 损失0.048745498061180115, 当前训练集上精度1.0
迭代7, 批次1600, 损失0.07125385105609894, 当前训练集上精度0.96875
迭代7, 批次1800, 损失0.06485673785209656, 当前训练集上精度0.96875
迭代7, 批次1874, 损失0.008195936679840088, 当前训练集上精度1.0
========= 当前在测试集上的精度 0.9769999980926514
迭代8, 批次0, 损失0.014697804115712643, 当前训练集上精度1.0
迭代8, 批次200, 损失0.032615575939416885, 当前训练集上精度1.0
迭代8, 批次400, 损失0.053161632269620895, 当前训练集上精度0.96875
迭代8, 批次600, 损失0.010591086931526661, 当前训练集上精度1.0
迭代8, 批次800, 损失0.007530584000051022, 当前训练集上精度1.0
迭代8, 批次1000, 损失0.12986011803150177, 当前训练集上精度0.96875
迭代8, 批次1200, 损失0.15820099413394928, 当前训练集上
没有合适的资源?快使用搜索试试~ 我知道了~
004卷积神经网络LeNet-实现手写体识别例子
共58个文件
jpg:42个
py:4个
gz:4个
需积分: 3 1 下载量 180 浏览量
2023-03-13
21:06:24
上传
评论
收藏 11.45MB ZIP 举报
温馨提示
数据集:MNIST; 网络:卷积神经网络LeNet 框架:tensorflow2.x
资源推荐
资源详情
资源评论
收起资源包目录
004卷积神经网络LeNet--实现手写体识别例子.zip (58个子文件)
004卷积神经网络LeNet--实现手写体识别例子
data_manager.py 4KB
20221019训练日志.txt 13KB
data
MNIST
t10k-images-idx3-ubyte.gz 1.57MB
train-labels-idx1-ubyte.gz 28KB
train-images-idx3-ubyte.gz 9.45MB
t10k-labels-idx1-ubyte.gz 4KB
MNIST_model.tf
assets
keras_metadata.pb 8KB
saved_model.pb 98KB
variables
variables.index 697B
variables.data-00000-of-00001 245KB
train_image
3_1.jpg 690B
5_2.jpg 810B
24_1.jpg 769B
19_9.jpg 648B
1_0.jpg 895B
8_1.jpg 641B
13_6.jpg 810B
4_9.jpg 704B
14_1.jpg 647B
10_3.jpg 791B
28_2.jpg 940B
26_4.jpg 674B
7_3.jpg 893B
30_3.jpg 788B
2_4.jpg 779B
15_7.jpg 754B
6_1.jpg 666B
11_5.jpg 664B
27_3.jpg 982B
18_6.jpg 707B
20_4.jpg 844B
0_5.jpg 839B
29_7.jpg 645B
21_0.jpg 906B
16_2.jpg 861B
22_9.jpg 666B
25_2.jpg 950B
17_8.jpg 787B
9_4.jpg 796B
23_1.jpg 688B
12_3.jpg 914B
test_image
t2-0.jpg 3KB
t1-1.jpg 2KB
t4-3.jpg 4KB
t12-3.jpg 4KB
t3-4.jpg 3KB
t9-2.jpg 4KB
t11-9.jpg 4KB
t5-2.jpg 2KB
t10-8.jpg 4KB
t7-5.jpg 4KB
t8-5.jpg 4KB
t6-2.png 10KB
test_acc.png 29KB
model.py 5KB
predict_demo.py 1KB
train.py 1019B
练习.doc 50KB
共 58 条
- 1
资源评论
AI学长
- 粉丝: 352
- 资源: 26
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功