004卷积神经网络LeNet-实现手写体识别例子

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