使用PyTorch构建SENet进行图像分类,准确率98.6%

Batch大小为24,循环次数为35次,损失函数优化完,最终完成评分为98.6。

得分记录
2019-12-02

Batch Size 数据为 22 ,Epoch循环次数为 36 次,损失函数优化完,最终完成评分为 98.4

15:21:29

Batch Size 数据为 21 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.6

11:38:59
2019-12-01

Batch Size 数据为 20 ,Epoch循环次数为 1 次,损失函数优化完,最终完成评分为 98.5

10:12:49

Batch Size 数据为 24 ,Epoch循环次数为 1 次,损失函数优化完,最终完成评分为 98.7

03:56:45
2019-11-29

Batch Size 数据为 20 ,Epoch循环次数为 1 次,损失函数优化完,最终完成评分为 89.2

17:16:05
2019-11-28

Batch Size 数据为 16 ,Epoch循环次数为 32 次,损失函数优化完,最终完成评分为 98.1

23:03:21

Batch Size 数据为 26 ,Epoch循环次数为 32 次,损失函数优化完,最终完成评分为 83.9

11:14:27
2019-11-27

Batch Size 数据为 26 ,Epoch循环次数为 10 次,损失函数优化完,最终完成评分为 98.5

22:37:13
2019-11-25

Batch Size 数据为 26 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.3

19:49:12

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.2

15:54:50
2019-11-23

Batch Size 数据为 26 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.6

20:28:50

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.3

12:19:42
2019-11-23

Batch Size 数据为 16 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 97.8

00:41:50

Batch Size 数据为 26 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 93.5

18:20:02
2019-11-20

Batch Size 数据为 16 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 89.1

17:10:37

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 88.7

16:04:24

Batch Size 数据为 20 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.4

14:55:22

Batch Size 数据为 20 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.6

11:33:40
2019-11-19

Batch Size 数据为 32 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.1

20:39:41

Batch Size 数据为 26 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.4

17:57:39

Batch Size 数据为 26 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.8

14:16:11
2019-11-18

Batch Size 数据为 16 ,Epoch循环次数为 30 次,损失函数优化完,最终完成评分为 98.3

22:50:00

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98

17:23:11

Batch Size 数据为 20 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.1

14:43:35
2019-11-18

Batch Size 数据为 24 ,Epoch循环次数为 60 次,损失函数优化完,最终完成评分为 97.8

12:09:26

Batch Size 数据为 24 ,Epoch循环次数为 40 次,损失函数优化完,最终完成评分为 98.3

10:41:08
2019-11-18

Batch Size 数据为 20 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.4

00:57:16

Batch Size 数据为 20 ,Epoch循环次数为 32 次,损失函数优化完,最终完成评分为 97.9

20:15:11

Batch Size 数据为 20 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.6

17:36:50

Batch Size 数据为 20 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 97.9

15:37:41
2019-11-17

Batch Size 数据为 20 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.3

12:16:39
2019-11-16

Batch Size 数据为 20 ,Epoch循环次数为 40 次,损失函数优化完,最终完成评分为 61.3

23:58:55

Batch Size 数据为 20 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.8

18:42:26

Batch Size 数据为 16 ,Epoch循环次数为 25 次,损失函数优化完,最终完成评分为 97.9

13:47:15
2019-11-16

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.5

12:14:45

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.5

11:07:36
2019-11-16

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.3

00:07:30

Batch Size 数据为 34 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.3

20:22:44

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.6

17:33:25

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.1

16:29:57

Batch Size 数据为 24 ,Epoch循环次数为 100 次,损失函数优化完,最终完成评分为 97.5

12:40:32
2019-11-14

Batch Size 数据为 26 ,Epoch循环次数为 80 次,损失函数优化完,最终完成评分为 97.8

18:28:47

Batch Size 数据为 26 ,Epoch循环次数为 80 次,损失函数优化完,最终完成评分为 98.3

16:19:50

Batch Size 数据为 24 ,Epoch循环次数为 55 次,损失函数优化完,最终完成评分为 98.1

11:59:58
2019-11-13

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.5

22:06:40
2019-11-12

Batch Size 数据为 25 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.2

12:28:49
2019-11-11

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 97.6

01:01:06

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 98.3

09:46:15
2019-11-08

Batch Size 数据为 24 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 97.5

16:01:28

Batch Size 数据为 24 ,Epoch循环次数为 40 次,损失函数优化完,最终完成评分为 96.4

17:19:39
2019-11-07

Batch Size 数据为 24 ,Epoch循环次数为 32 次,损失函数优化完,最终完成评分为 95

12:48:54
2019-11-06

Batch Size 数据为 24 ,Epoch循环次数为 40 次,损失函数优化完,最终完成评分为 93.4

21:43:31

Batch Size 数据为 64 ,Epoch循环次数为 40 次,损失函数优化完,最终完成评分为 96.2

14:02:43
2019-11-05

Batch Size 数据为 64 ,Epoch循环次数为 35 次,损失函数优化完,最终完成评分为 93.9

22:54:18

Batch Size 数据为 64 ,Epoch循环次数为 40 次,损失函数优化完,最终完成评分为 67.1

11:31:05