基于BP、PyTorch实现疾病诊断

Batch大小为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为68.52。

得分记录
2019-10-01

Batch Size 数据为 1024 ,Epoch循环次数为 200 次, 通过在线上环境完成训练,模型最优精度评分为 59.26 。

22:25:29

Batch Size 数据为 1024 ,Epoch循环次数为 200 次, 通过在线上环境完成训练,模型最优精度评分为 66.67 。

22:02:35

Batch Size 数据为 1024 ,Epoch循环次数为 200 次, 通过在线上环境完成训练,模型最优精度评分为 66.67 。

21:36:32

Batch Size 数据为 1024 ,Epoch循环次数为 200 次, 通过在线上环境完成训练,模型最优精度评分为 66.67 。

21:26:01

Batch Size 数据为 1024 ,Epoch循环次数为 200 次, 通过在线上环境完成训练,模型最优精度评分为 68.52 。

21:14:44

Batch Size 数据为 512 ,Epoch循环次数为 100 次, 通过在线上环境完成训练,模型最优精度评分为 66.67 。

21:10:15

Batch Size 数据为 512 ,Epoch循环次数为 100 次, 通过在线上环境完成训练,模型最优精度评分为 66.67 。

21:06:14

Batch Size 数据为 512 ,Epoch循环次数为 100 次, 通过在线上环境完成训练,模型最优精度评分为 68.52 。

20:59:08

Batch Size 数据为 32 ,Epoch循环次数为 10 次, 通过在线上环境完成训练,模型最优精度评分为 68.52 。

20:53:31

Batch Size 数据为 32 ,Epoch循环次数为 10 次, 通过在线上环境完成训练,模型最优精度评分为 62.96 。

20:44:21