for t inrange(epoch):
out = net(train_x)# 输入input,输出out
loss = loss_func(out, train_y)# 输出与label对比if t%20==0:print(loss.item())
loss.backward()# 前馈操作
optimizer.step()# 使用梯度优化器
optimizer.clear_grad()# 梯度清零
计算分类准确率
import paddle.nn.functional as F
out = net(train_x)#out是一个计算矩阵,可以用Fun.softmax(out)转化为概率矩阵# 得到分类结果的概率矩阵
out = F.softmax(out)print(type(out))
m = paddle.metric.Accuracy()# 输入的 out 必须是 Tensor 类型且是一个分类结果的概率矩阵,train_y 的数据类型也必须是 Tensor 类型的
correct = m.compute(out, train_y)
m.update(correct)
res = m.accumulate()print(res)