第二章:一个案例吃透深度学习(上)作业

本文是关于深度学习的案例分析,重点在于使用PaddlePaddle的MNIST数据集进行模型验证,并探讨如何提高模型准确率。作业包括计算模型在测试集上的准确率及提出优化思路。讨论了batch_size对模型训练的影响,指出合理调整batch_size能平衡内存效率和容量,加快训练速度,减少训练震荡,避免underfitting。建议通过不断调参找到合适的batch_size。
摘要由CSDN通过智能技术生成

作业 2-1:

1.使用飞桨API paddle.vision.datasets.MNIST的mode函数获得测试集数据,计算当前模型的准确率。

参考链接:训练与预测-使用文档-PaddlePaddle深度学习平台

简便方法:直接使用通过paddle.Model训练与预测

eval_result = model.evaluate(test_dataset, verbose=1)

等同于:拆解Model.evaluate()-- 用基础API验证模型

# 加载测试数据集
test_loader = paddle.io.DataLoader(test_dataset, batch_size=64, drop_last=True)
loss_fn = paddle.nn.CrossEntropyLoss()

mnist.eval()

for batch_id, data in enumerate(test
  • 1
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值