本文强调了在模型构建过程中采用统一命名规范和关键超参数设置（如batch_size、iters_num和lr）的重要性，以及如何通过dataloader处理数据集。作者详细描述了训练集和测试集的精准度计算，包括每轮训练后的train_acc和test_acc，以及最终精度(test_accuracy)的评估方法。
构建模型时使用同一的命名规范是很重要的
超参数
batch：mini_batch_size
训练轮数：iters_num
学习率：lr
数据集
下载的数据集：train_dataset, test_dataset
dataloader之后：train_dataloader, test_dataloader
训练时图像与标签的接收：img，target
精准度
训练集精准度的收集：train_acc
测试集精准度的收集：test_acc
接收训练后output和target的对比：acc
训练集接受每轮的精度数据：train_accuracy
测试集接受每轮的精度数据：test_accuracy
此时的精度数据时一轮训练过后正确识别图片的数量
test_accuray/len(test_dataset)处理之后为实际精度
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
