如何优雅的使用CNN、PyTorch实现图像分类任务,准确率97%

Batch大小为128,循环次数为2000次,损失函数优化完,最终完成评分为97。

得分记录
2019-11-18

Batch Size 数据为 160 ,Epoch循环次数为 4000 次,损失函数优化完,最终完成评分为 95.1

11:05:51
2019-11-16

Batch Size 数据为 160 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96.1

19:34:21

Batch Size 数据为 160 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95.5

18:48:25

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96.6

17:58:23

Batch Size 数据为 160 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96.2

17:13:41

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95.8

16:10:59

Batch Size 数据为 160 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96

15:36:38

Batch Size 数据为 160 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95.9

14:33:16

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95.9

13:51:57

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95.4

12:58:15

Batch Size 数据为 160 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95.5

12:24:24

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95

11:42:44
2019-11-15

Batch Size 数据为 64 ,Epoch循环次数为 30 次,损失函数优化完,最终完成评分为 13.5

17:12:51

Batch Size 数据为 64 ,Epoch循环次数为 30 次,损失函数优化完,最终完成评分为 13.5

16:08:43
2019-11-15

Batch Size 数据为 64 ,Epoch循环次数为 30 次,损失函数优化完,最终完成评分为 59.2

03:30:04

Batch Size 数据为 128 ,Epoch循环次数为 30 次,损失函数优化完,最终完成评分为 43.5

00:11:44

Batch Size 数据为 64 ,Epoch循环次数为 30 次,损失函数优化完,最终完成评分为 51.6

22:10:12

Batch Size 数据为 64 ,Epoch循环次数为 30 次,损失函数优化完,最终完成评分为 53.9

21:32:27

Batch Size 数据为 64 ,Epoch循环次数为 30 次,损失函数优化完,最终完成评分为 67.1

20:24:38

Batch Size 数据为 128 ,Epoch循环次数为 30 次,损失函数优化完,最终完成评分为 63.6

19:25:30

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95.8

13:46:31

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95.9

13:07:03
2019-11-14

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96.5

00:05:23

Batch Size 数据为 128 ,Epoch循环次数为 5000 次,损失函数优化完,最终完成评分为 96.3

22:30:00

Batch Size 数据为 128 ,Epoch循环次数为 5000 次,损失函数优化完,最终完成评分为 96.8

15:21:13
2019-11-13

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96.8

08:44:54

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96.4

02:14:36

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96.6

12:55:31
2019-11-09

Batch Size 数据为 200 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96.6

01:51:40

Batch Size 数据为 200 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96.2

18:12:41

Batch Size 数据为 200 ,Epoch循环次数为 1000 次,损失函数优化完,最终完成评分为 96.3

16:36:49

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 96.8

10:52:30
2019-11-07

Batch Size 数据为 128 ,Epoch循环次数为 3000 次,损失函数优化完,最终完成评分为 80.6

08:22:46

Batch Size 数据为 128 ,Epoch循环次数为 3000 次,损失函数优化完,最终完成评分为 86.2

23:12:01
2019-11-06

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 84.5

09:24:38

Batch Size 数据为 64 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 79.4

07:56:51

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95.4

22:17:13

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 97

13:24:05

Batch Size 数据为 64 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 94.2

11:54:14
2019-11-05

Batch Size 数据为 64 ,Epoch循环次数为 8000 次,损失函数优化完,最终完成评分为 80.4

05:50:02

Batch Size 数据为 64 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 93.4

00:30:18

Batch Size 数据为 64 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 90.3

22:06:54

Batch Size 数据为 32 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 94.1

15:14:57
2019-11-04

Batch Size 数据为 64 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 95.9

11:58:01

Batch Size 数据为 64 ,Epoch循环次数为 3000 次,损失函数优化完,最终完成评分为 89.6

23:13:09
2019-11-03

Batch Size 数据为 64 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 71.5

13:04:55

Batch Size 数据为 32 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 75.7

09:48:43
2019-11-02

Batch Size 数据为 64 ,Epoch循环次数为 3000 次,损失函数优化完,最终完成评分为 87.9

23:14:30

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 68.7

10:54:49
2019-11-02

Batch Size 数据为 128 ,Epoch循环次数为 2000 次,损失函数优化完,最终完成评分为 77.2

08:17:27

Batch Size 数据为 64 ,Epoch循环次数为 100 次,损失函数优化完,最终完成评分为 79.2

23:05:17

Batch Size 数据为 64 ,Epoch循环次数为 100 次,损失函数优化完,最终完成评分为 36.4

19:27:10