使用 PointNet 进行点云分类

作者： David Griffiths
创建日期 2020/05/25
最后修改日期 2024/01/09
描述： PointNet 用于 ModelNet10 分类的实现。

在 Colab 中查看 • GitHub 源代码

点云分类

简介

无序 3D 点集（即点云）的分类、检测和分割是计算机视觉中的核心问题。此示例实现了开创性的点云深度学习论文 PointNet (Qi et al., 2017)。有关 PointNet 的详细介绍，请参阅这篇博客文章。

设置

如果使用 colab，请首先使用 !pip install trimesh 安装 trimesh。

import os
import glob
import trimesh
import numpy as np
from tensorflow import data as tf_data
from keras import ops
import keras
from keras import layers
from matplotlib import pyplot as plt

keras.utils.set_random_seed(seed=42)

加载数据集

我们使用 ModelNet10 模型数据集，它是 ModelNet40 数据集的较小 10 类版本。首先下载数据

DATA_DIR = keras.utils.get_file(
    "modelnet.zip",
    "http://3dvision.princeton.edu/projects/2014/3DShapeNets/ModelNet10.zip",
    extract=True,
)
DATA_DIR = os.path.join(os.path.dirname(DATA_DIR), "ModelNet10")

Downloading data from http://3dvision.princeton.edu/projects/2014/3DShapeNets/ModelNet10.zip

     0/473402300 ━━━━━━━━━━━━━━━━━━━━  0s 0s/step



  8192/473402300 ━━━━━━━━━━━━━━━━━━━━  1:06:44 8us/step



 40960/473402300 ━━━━━━━━━━━━━━━━━━━━  26:17 3us/step



 90112/473402300 ━━━━━━━━━━━━━━━━━━━━  17:49 2us/step



188416/473402300 ━━━━━━━━━━━━━━━━━━━━  11:20 1us/step



385024/473402300 ━━━━━━━━━━━━━━━━━━━━  6:55 1us/step



786432/473402300 ━━━━━━━━━━━━━━━━━━━━  4:03 1us/step



1581056/473402300 [37m━━━━━━━━━━━━━━━━━━━━ 2:21 0us/step



3170304/473402300 [37m━━━━━━━━━━━━━━━━━━━━ 1:20 0us/step



6004736/473402300 [37m━━━━━━━━━━━━━━━━━━━━ 47s 0us/step



8880128/473402300 [37m━━━━━━━━━━━━━━━━━━━━ 35s 0us/step



11902976/473402300 [37m━━━━━━━━━━━━━━━━━━━━ 28s 0us/step



14925824/473402300 [37m━━━━━━━━━━━━━━━━━━━━ 24s 0us/step



17915904/473402300 [37m━━━━━━━━━━━━━━━━━━━━ 22s 0us/step



21020672/473402300 [37m━━━━━━━━━━━━━━━━━━━━ 20s 0us/step



23977984/473402300 ━ [37m━━━━━━━━━━━━━━━━━━━ 18s 0us/step



26861568/473402300 ━ [37m━━━━━━━━━━━━━━━━━━━ 17s 0us/step



29958144/473402300 ━ [37m━━━━━━━━━━━━━━━━━━━ 16s 0us/step



33071104/473402300 ━ [37m━━━━━━━━━━━━━━━━━━━ 16s 0us/step



36175872/473402300 ━ [37m━━━━━━━━━━━━━━━━━━━ 15s 0us/step



39206912/473402300 ━ [37m━━━━━━━━━━━━━━━━━━━ 14s 0us/step



41902080/473402300 ━ [37m━━━━━━━━━━━━━━━━━━━ 14s 0us/step



45015040/473402300 ━ [37m━━━━━━━━━━━━━━━━━━━ 14s 0us/step



48021504/473402300 ━━ [37m━━━━━━━━━━━━━━━━━━ 13s 0us/step



51003392/473402300 ━━ [37m━━━━━━━━━━━━━━━━━━ 13s 0us/step



53960704/473402300 ━━ [37m━━━━━━━━━━━━━━━━━━ 13s 0us/step



56803328/473402300 ━━ [37m━━━━━━━━━━━━━━━━━━ 12s 0us/step



59834368/473402300 ━━ [37m━━━━━━━━━━━━━━━━━━ 12s 0us/step



62750720/473402300 ━━ [37m━━━━━━━━━━━━━━━━━━ 12s 0us/step



65839104/473402300 ━━ [37m━━━━━━━━━━━━━━━━━━ 12s 0us/step



68698112/473402300 ━━ [37m━━━━━━━━━━━━━━━━━━ 11s 0us/step



71385088/473402300 ━━━ [37m━━━━━━━━━━━━━━━━━ 11s 0us/step



74432512/473402300 ━━━ [37m━━━━━━━━━━━━━━━━━ 11s 0us/step



77365248/473402300 ━━━ [37m━━━━━━━━━━━━━━━━━ 11s 0us/step



80363520/473402300 ━━━ [37m━━━━━━━━━━━━━━━━━ 11s 0us/step



83156992/473402300 ━━━ [37m━━━━━━━━━━━━━━━━━ 11s 0us/step



86179840/473402300 ━━━ [37m━━━━━━━━━━━━━━━━━ 10s 0us/step



89300992/473402300 ━━━ [37m━━━━━━━━━━━━━━━━━ 10s 0us/step



92282880/473402300 ━━━ [37m━━━━━━━━━━━━━━━━━ 10s 0us/step



95371264/473402300 ━━━━ [37m━━━━━━━━━━━━━━━━ 10s 0us/step



98410496/473402300 ━━━━ [37m━━━━━━━━━━━━━━━━ 10s 0us/step



101130240/473402300 ━━━━ [37m━━━━━━━━━━━━━━━━ 10s 0us/step



104169472/473402300 ━━━━ [37m━━━━━━━━━━━━━━━━ 10s 0us/step



107192320/473402300 ━━━━ [37m━━━━━━━━━━━━━━━━ 9s 0us/step



110297088/473402300 ━━━━ [37m━━━━━━━━━━━━━━━━ 9s 0us/step



113344512/473402300 ━━━━ [37m━━━━━━━━━━━━━━━━ 9s 0us/step



116391936/473402300 ━━━━ [37m━━━━━━━━━━━━━━━━ 9s 0us/step



119513088/473402300 ━━━━━ [37m━━━━━━━━━━━━━━━ 9s 0us/step



122626048/473402300 ━━━━━ [37m━━━━━━━━━━━━━━━ 9s 0us/step



125313024/473402300 ━━━━━ [37m━━━━━━━━━━━━━━━ 9s 0us/step



128368640/473402300 ━━━━━ [37m━━━━━━━━━━━━━━━ 9s 0us/step



131432448/473402300 ━━━━━ [37m━━━━━━━━━━━━━━━ 8s 0us/step



134520832/473402300 ━━━━━ [37m━━━━━━━━━━━━━━━ 8s 0us/step



137560064/473402300 ━━━━━ [37m━━━━━━━━━━━━━━━ 8s 0us/step



140648448/473402300 ━━━━━ [37m━━━━━━━━━━━━━━━ 8s 0us/step



143720448/473402300 ━━━━━━ [37m━━━━━━━━━━━━━━ 8s 0us/step



146808832/473402300 ━━━━━━ [37m━━━━━━━━━━━━━━ 8s 0us/step



149864448/473402300 ━━━━━━ [37m━━━━━━━━━━━━━━ 8s 0us/step



152592384/473402300 ━━━━━━ [37m━━━━━━━━━━━━━━ 8s 0us/step



155623424/473402300 ━━━━━━ [37m━━━━━━━━━━━━━━ 8s 0us/step



158728192/473402300 ━━━━━━ [37m━━━━━━━━━━━━━━ 8s 0us/step



161783808/473402300 ━━━━━━ [37m━━━━━━━━━━━━━━ 7s 0us/step



164806656/473402300 ━━━━━━ [37m━━━━━━━━━━━━━━ 7s 0us/step



167895040/473402300 ━━━━━━━ [37m━━━━━━━━━━━━━ 7s 0us/step



170975232/473402300 ━━━━━━━ [37m━━━━━━━━━━━━━ 7s 0us/step



174071808/473402300 ━━━━━━━ [37m━━━━━━━━━━━━━ 7s 0us/step



177119232/473402300 ━━━━━━━ [37m━━━━━━━━━━━━━ 7s 0us/step



180166656/473402300 ━━━━━━━ [37m━━━━━━━━━━━━━ 7s 0us/step



182976512/473402300 ━━━━━━━ [37m━━━━━━━━━━━━━ 7s 0us/step



185884672/473402300 ━━━━━━━ [37m━━━━━━━━━━━━━ 7s 0us/step



188932096/473402300 ━━━━━━━ [37m━━━━━━━━━━━━━ 7s 0us/step



192028672/473402300 ━━━━━━━━ [37m━━━━━━━━━━━━ 7s 0us/step



195117056/473402300 ━━━━━━━━ [37m━━━━━━━━━━━━ 6s 0us/step



198189056/473402300 ━━━━━━━━ [37m━━━━━━━━━━━━ 6s 0us/step



201302016/473402300 ━━━━━━━━ [37m━━━━━━━━━━━━ 6s 0us/step



204406784/473402300 ━━━━━━━━ [37m━━━━━━━━━━━━ 6s 0us/step



207470592/473402300 ━━━━━━━━ [37m━━━━━━━━━━━━ 6s 0us/step



210575360/473402300 ━━━━━━━━ [37m━━━━━━━━━━━━ 6s 0us/step



213581824/473402300 ━━━━━━━━━ [37m━━━━━━━━━━━ 6s 0us/step



216268800/473402300 ━━━━━━━━━ [37m━━━━━━━━━━━ 6s 0us/step



218374144/473402300 ━━━━━━━━━ [37m━━━━━━━━━━━ 6s 0us/step



220569600/473402300 ━━━━━━━━━ [37m━━━━━━━━━━━ 6s 0us/step



222363648/473402300 ━━━━━━━━━ [37m━━━━━━━━━━━ 6s 0us/step



225345536/473402300 ━━━━━━━━━ [37m━━━━━━━━━━━ 6s 0us/step



228425728/473402300 ━━━━━━━━━ [37m━━━━━━━━━━━ 6s 0us/step



231473152/473402300 ━━━━━━━━━ [37m━━━━━━━━━━━ 5s 0us/step



234577920/473402300 ━━━━━━━━━ [37m━━━━━━━━━━━ 5s 0us/step



237690880/473402300 ━━━━━━━━━━ [37m━━━━━━━━━━ 5s 0us/step



240746496/473402300 ━━━━━━━━━━ [37m━━━━━━━━━━ 5s 0us/step



243834880/473402300 ━━━━━━━━━━ [37m━━━━━━━━━━ 5s 0us/step



246898688/473402300 ━━━━━━━━━━ [37m━━━━━━━━━━ 5s 0us/step



249954304/473402300 ━━━━━━━━━━ [37m━━━━━━━━━━ 5s 0us/step



252936192/473402300 ━━━━━━━━━━ [37m━━━━━━━━━━ 5s 0us/step



255672320/473402300 ━━━━━━━━━━ [37m━━━━━━━━━━ 5s 0us/step



258695168/473402300 ━━━━━━━━━━ [37m━━━━━━━━━━ 5s 0us/step



261734400/473402300 ━━━━━━━━━━━ [37m━━━━━━━━━ 5s 0us/step



264847360/473402300 ━━━━━━━━━━━ [37m━━━━━━━━━ 5s 0us/step



267919360/473402300 ━━━━━━━━━━━ [37m━━━━━━━━━ 4s 0us/step



271015936/473402300 ━━━━━━━━━━━ [37m━━━━━━━━━ 4s 0us/step



273768448/473402300 ━━━━━━━━━━━ [37m━━━━━━━━━ 4s 0us/step



276840448/473402300 ━━━━━━━━━━━ [37m━━━━━━━━━ 4s 0us/step



279625728/473402300 ━━━━━━━━━━━ [37m━━━━━━━━━ 4s 0us/step



282525696/473402300 ━━━━━━━━━━━ [37m━━━━━━━━━ 4s 0us/step



285581312/473402300 ━━━━━━━━━━━━ [37m━━━━━━━━ 4s 0us/step



288645120/473402300 ━━━━━━━━━━━━ [37m━━━━━━━━ 4s 0us/step



291733504/473402300 ━━━━━━━━━━━━ [37m━━━━━━━━ 4s 0us/step



294682624/473402300 ━━━━━━━━━━━━ [37m━━━━━━━━ 4s 0us/step



297795584/473402300 ━━━━━━━━━━━━ [37m━━━━━━━━ 4s 0us/step



300851200/473402300 ━━━━━━━━━━━━ [37m━━━━━━━━ 4s 0us/step



303955968/473402300 ━━━━━━━━━━━━ [37m━━━━━━━━ 4s 0us/step



306798592/473402300 ━━━━━━━━━━━━ [37m━━━━━━━━ 3s 0us/step



309846016/473402300 ━━━━━━━━━━━━━ [37m━━━━━━━ 3s 0us/step



312926208/473402300 ━━━━━━━━━━━━━ [37m━━━━━━━ 3s 0us/step



315990016/473402300 ━━━━━━━━━━━━━ [37m━━━━━━━ 3s 0us/step



319053824/473402300 ━━━━━━━━━━━━━ [37m━━━━━━━ 3s 0us/step



322134016/473402300 ━━━━━━━━━━━━━ [37m━━━━━━━ 3s 0us/step



325099520/473402300 ━━━━━━━━━━━━━ [37m━━━━━━━ 3s 0us/step



328187904/473402300 ━━━━━━━━━━━━━ [37m━━━━━━━ 3s 0us/step



331251712/473402300 ━━━━━━━━━━━━━ [37m━━━━━━━ 3s 0us/step



334364672/473402300 ━━━━━━━━━━━━━━ [37m━━━━━━ 3s 0us/step



337477632/473402300 ━━━━━━━━━━━━━━ [37m━━━━━━ 3s 0us/step



340598784/473402300 ━━━━━━━━━━━━━━ [37m━━━━━━ 3s 0us/step



343130112/473402300 ━━━━━━━━━━━━━━ [37m━━━━━━ 3s 0us/step



345554944/473402300 ━━━━━━━━━━━━━━ [37m━━━━━━ 3s 0us/step



347570176/473402300 ━━━━━━━━━━━━━━ [37m━━━━━━ 2s 0us/step



350224384/473402300 ━━━━━━━━━━━━━━ [37m━━━━━━ 2s 0us/step



352436224/473402300 ━━━━━━━━━━━━━━ [37m━━━━━━ 2s 0us/step



355393536/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



357179392/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



359858176/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



362045440/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364281856/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364298240/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364306432/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364314624/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364322816/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364331008/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364339200/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364347392/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364355584/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364363776/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364371968/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364380160/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364396544/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364445696/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



364601344/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



365084672/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



366510080/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



369491968/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



372400128/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



375521280/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



378535936/473402300 ━━━━━━━━━━━━━━━ [37m━━━━━ 2s 0us/step



381558784/473402300 ━━━━━━━━━━━━━━━━ [37m━━━━ 2s 0us/step



384475136/473402300 ━━━━━━━━━━━━━━━━ [37m━━━━ 2s 0us/step



387571712/473402300 ━━━━━━━━━━━━━━━━ [37m━━━━ 2s 0us/step



390463488/473402300 ━━━━━━━━━━━━━━━━ [37m━━━━ 2s 0us/step



393551872/473402300 ━━━━━━━━━━━━━━━━ [37m━━━━ 2s 0us/step



396632064/473402300 ━━━━━━━━━━━━━━━━ [37m━━━━ 2s 0us/step



399704064/473402300 ━━━━━━━━━━━━━━━━ [37m━━━━ 1s 0us/step



402767872/473402300 ━━━━━━━━━━━━━━━━━ [37m━━━ 1s 0us/step



405790720/473402300 ━━━━━━━━━━━━━━━━━ [37m━━━ 1s 0us/step



408854528/473402300 ━━━━━━━━━━━━━━━━━ [37m━━━ 1s 0us/step



411975680/473402300 ━━━━━━━━━━━━━━━━━ [37m━━━ 1s 0us/step



414982144/473402300 ━━━━━━━━━━━━━━━━━ [37m━━━ 1s 0us/step



418045952/473402300 ━━━━━━━━━━━━━━━━━ [37m━━━ 1s 0us/step



421167104/473402300 ━━━━━━━━━━━━━━━━━ [37m━━━ 1s 0us/step



423878656/473402300 ━━━━━━━━━━━━━━━━━ [37m━━━ 1s 0us/step



426999808/473402300 ━━━━━━━━━━━━━━━━━━ [37m━━ 1s 0us/step



430112768/473402300 ━━━━━━━━━━━━━━━━━━ [37m━━ 1s 0us/step



433053696/473402300 ━━━━━━━━━━━━━━━━━━ [37m━━ 1s 0us/step



436125696/473402300 ━━━━━━━━━━━━━━━━━━ [37m━━ 0s 0us/step



439189504/473402300 ━━━━━━━━━━━━━━━━━━ [37m━━ 0s 0us/step



442286080/473402300 ━━━━━━━━━━━━━━━━━━ [37m━━ 0s 0us/step



445063168/473402300 ━━━━━━━━━━━━━━━━━━ [37m━━ 0s 0us/step



448118784/473402300 ━━━━━━━━━━━━━━━━━━ [37m━━ 0s 0us/step



451166208/473402300 ━━━━━━━━━━━━━━━━━━━ [37m━ 0s 0us/step



454262784/473402300 ━━━━━━━━━━━━━━━━━━━ [37m━ 0s 0us/step



457293824/473402300 ━━━━━━━━━━━━━━━━━━━ [37m━ 0s 0us/step



460275712/473402300 ━━━━━━━━━━━━━━━━━━━ [37m━ 0s 0us/step



463011840/473402300 ━━━━━━━━━━━━━━━━━━━ [37m━ 0s 0us/step



466018304/473402300 ━━━━━━━━━━━━━━━━━━━ [37m━ 0s 0us/step



469057536/473402300 ━━━━━━━━━━━━━━━━━━━ [37m━ 0s 0us/step



472145920/473402300 ━━━━━━━━━━━━━━━━━━━ [37m━ 0s 0us/step



473402300/473402300 ━━━━━━━━━━━━━━━━━━━━ 12s 0us/step

我们可以使用 trimesh 包来读取和可视化 .off 网格文件。

mesh = trimesh.load(os.path.join(DATA_DIR, "chair/train/chair_0001.off"))
mesh.show()

要将网格文件转换为点云，我们首先需要在网格表面上采样点。.sample() 执行均匀随机采样。在这里，我们在 2048 个位置进行采样，并在 matplotlib 中可视化。

points = mesh.sample(2048)

fig = plt.figure(figsize=(5, 5))
ax = fig.add_subplot(111, projection="3d")
ax.scatter(points[:, 0], points[:, 1], points[:, 2])
ax.set_axis_off()
plt.show()

要生成 tf.data.Dataset()，我们首先需要解析 ModelNet 数据文件夹。每个网格都会被加载并采样成点云，然后添加到标准 python 列表并转换为 numpy 数组。我们还将当前的枚举索引值存储为对象标签，并使用字典稍后调用它。

def parse_dataset(num_points=2048):
    train_points = []
    train_labels = []
    test_points = []
    test_labels = []
    class_map = {}
    folders = glob.glob(os.path.join(DATA_DIR, "[!README]*"))

    for i, folder in enumerate(folders):
        print("processing class: {}".format(os.path.basename(folder)))
        # store folder name with ID so we can retrieve later
        class_map[i] = folder.split("/")[-1]
        # gather all files
        train_files = glob.glob(os.path.join(folder, "train/*"))
        test_files = glob.glob(os.path.join(folder, "test/*"))

        for f in train_files:
            train_points.append(trimesh.load(f).sample(num_points))
            train_labels.append(i)

        for f in test_files:
            test_points.append(trimesh.load(f).sample(num_points))
            test_labels.append(i)

    return (
        np.array(train_points),
        np.array(test_points),
        np.array(train_labels),
        np.array(test_labels),
        class_map,
    )

设置要采样的点数和批量大小，并解析数据集。这可能需要大约 5 分钟才能完成。

NUM_POINTS = 2048
NUM_CLASSES = 10
BATCH_SIZE = 32

train_points, test_points, train_labels, test_labels, CLASS_MAP = parse_dataset(
    NUM_POINTS
)

processing class: bathtub

processing class: monitor

processing class: desk

processing class: dresser

processing class: toilet

processing class: bed

processing class: sofa

processing class: chair

processing class: night_stand

processing class: table

我们的数据现在可以读入 tf.data.Dataset() 对象中。我们将 shuffle 缓冲区大小设置为数据集的整个大小，因为在此之前，数据是按类排序的。当处理点云数据时，数据增强非常重要。我们创建一个增强函数来抖动和打乱训练数据集。

def augment(points, label):
    # jitter points
    points += keras.random.uniform(points.shape, -0.005, 0.005, dtype="float64")
    # shuffle points
    points = keras.random.shuffle(points)
    return points, label


train_size = 0.8
dataset = tf_data.Dataset.from_tensor_slices((train_points, train_labels))
test_dataset = tf_data.Dataset.from_tensor_slices((test_points, test_labels))
train_dataset_size = int(len(dataset) * train_size)

dataset = dataset.shuffle(len(train_points)).map(augment)
test_dataset = test_dataset.shuffle(len(test_points)).batch(BATCH_SIZE)

train_dataset = dataset.take(train_dataset_size).batch(BATCH_SIZE)
validation_dataset = dataset.skip(train_dataset_size).batch(BATCH_SIZE)

构建模型

每个卷积层和全连接层（末端层除外）都由卷积/密集层 -> 批量归一化 -> ReLU 激活组成。

def conv_bn(x, filters):
    x = layers.Conv1D(filters, kernel_size=1, padding="valid")(x)
    x = layers.BatchNormalization(momentum=0.0)(x)
    return layers.Activation("relu")(x)


def dense_bn(x, filters):
    x = layers.Dense(filters)(x)
    x = layers.BatchNormalization(momentum=0.0)(x)
    return layers.Activation("relu")(x)

PointNet 由两个核心组件组成。主要 MLP 网络和 Transformer 网络 (T-net)。T-net 旨在通过其自身的迷你网络学习仿射变换矩阵。T-net 使用两次。第一次是将输入特征 (n, 3) 转换为规范表示。第二次是用于特征空间 (n, 3) 对齐的仿射变换。按照原始论文，我们将变换约束为接近正交矩阵（即 ||X*X^T - I|| = 0）。

class OrthogonalRegularizer(keras.regularizers.Regularizer):
    def __init__(self, num_features, l2reg=0.001):
        self.num_features = num_features
        self.l2reg = l2reg
        self.eye = ops.eye(num_features)

    def __call__(self, x):
        x = ops.reshape(x, (-1, self.num_features, self.num_features))
        xxt = ops.tensordot(x, x, axes=(2, 2))
        xxt = ops.reshape(xxt, (-1, self.num_features, self.num_features))
        return ops.sum(self.l2reg * ops.square(xxt - self.eye))

然后，我们可以定义一个通用函数来构建 T-net 层。

def tnet(inputs, num_features):
    # Initialise bias as the identity matrix
    bias = keras.initializers.Constant(np.eye(num_features).flatten())
    reg = OrthogonalRegularizer(num_features)

    x = conv_bn(inputs, 32)
    x = conv_bn(x, 64)
    x = conv_bn(x, 512)
    x = layers.GlobalMaxPooling1D()(x)
    x = dense_bn(x, 256)
    x = dense_bn(x, 128)
    x = layers.Dense(
        num_features * num_features,
        kernel_initializer="zeros",
        bias_initializer=bias,
        activity_regularizer=reg,
    )(x)
    feat_T = layers.Reshape((num_features, num_features))(x)
    # Apply affine transformation to input features
    return layers.Dot(axes=(2, 1))([inputs, feat_T])

然后可以以相同的方式实现主网络，其中 t-net 迷你模型可以放入图中的层中。这里我们复制了原始论文中发布的网络架构，但每层的权重数量减半，因为我们使用的是较小的 10 类 ModelNet 数据集。

inputs = keras.Input(shape=(NUM_POINTS, 3))

x = tnet(inputs, 3)
x = conv_bn(x, 32)
x = conv_bn(x, 32)
x = tnet(x, 32)
x = conv_bn(x, 32)
x = conv_bn(x, 64)
x = conv_bn(x, 512)
x = layers.GlobalMaxPooling1D()(x)
x = dense_bn(x, 256)
x = layers.Dropout(0.3)(x)
x = dense_bn(x, 128)
x = layers.Dropout(0.3)(x)

outputs = layers.Dense(NUM_CLASSES, activation="softmax")(x)

model = keras.Model(inputs=inputs, outputs=outputs, name="pointnet")
model.summary()

Model: "pointnet"

┏━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━┓
┃ Layer (type)        ┃ Output Shape      ┃ Param # ┃ Connected to         ┃
┡━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━┩
│ input_layer         │ (None, 2048, 3)   │       0 │ -                    │
│ (InputLayer)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d (Conv1D)     │ (None, 2048, 32)  │     128 │ input_layer[0][0]    │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalization │ (None, 2048, 32)  │     128 │ conv1d[0][0]         │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation          │ (None, 2048, 32)  │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d_1 (Conv1D)   │ (None, 2048, 64)  │   2,112 │ activation[0][0]     │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 2048, 64)  │     256 │ conv1d_1[0][0]       │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_1        │ (None, 2048, 64)  │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d_2 (Conv1D)   │ (None, 2048, 512) │  33,280 │ activation_1[0][0]   │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 2048, 512) │   2,048 │ conv1d_2[0][0]       │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_2        │ (None, 2048, 512) │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ global_max_pooling… │ (None, 512)       │       0 │ activation_2[0][0]   │
│ (GlobalMaxPooling1… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dense (Dense)       │ (None, 256)       │ 131,328 │ global_max_pooling1… │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 256)       │   1,024 │ dense[0][0]          │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_3        │ (None, 256)       │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dense_1 (Dense)     │ (None, 128)       │  32,896 │ activation_3[0][0]   │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 128)       │     512 │ dense_1[0][0]        │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_4        │ (None, 128)       │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dense_2 (Dense)     │ (None, 9)         │   1,161 │ activation_4[0][0]   │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ reshape (Reshape)   │ (None, 3, 3)      │       0 │ dense_2[0][0]        │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dot (Dot)           │ (None, 2048, 3)   │       0 │ input_layer[0][0],   │
│                     │                   │         │ reshape[0][0]        │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d_3 (Conv1D)   │ (None, 2048, 32)  │     128 │ dot[0][0]            │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 2048, 32)  │     128 │ conv1d_3[0][0]       │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_5        │ (None, 2048, 32)  │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d_4 (Conv1D)   │ (None, 2048, 32)  │   1,056 │ activation_5[0][0]   │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 2048, 32)  │     128 │ conv1d_4[0][0]       │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_6        │ (None, 2048, 32)  │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d_5 (Conv1D)   │ (None, 2048, 32)  │   1,056 │ activation_6[0][0]   │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 2048, 32)  │     128 │ conv1d_5[0][0]       │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_7        │ (None, 2048, 32)  │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d_6 (Conv1D)   │ (None, 2048, 64)  │   2,112 │ activation_7[0][0]   │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 2048, 64)  │     256 │ conv1d_6[0][0]       │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_8        │ (None, 2048, 64)  │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d_7 (Conv1D)   │ (None, 2048, 512) │  33,280 │ activation_8[0][0]   │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 2048, 512) │   2,048 │ conv1d_7[0][0]       │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_9        │ (None, 2048, 512) │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ global_max_pooling… │ (None, 512)       │       0 │ activation_9[0][0]   │
│ (GlobalMaxPooling1… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dense_3 (Dense)     │ (None, 256)       │ 131,328 │ global_max_pooling1… │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 256)       │   1,024 │ dense_3[0][0]        │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_10       │ (None, 256)       │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dense_4 (Dense)     │ (None, 128)       │  32,896 │ activation_10[0][0]  │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 128)       │     512 │ dense_4[0][0]        │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_11       │ (None, 128)       │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dense_5 (Dense)     │ (None, 1024)      │ 132,096 │ activation_11[0][0]  │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ reshape_1 (Reshape) │ (None, 32, 32)    │       0 │ dense_5[0][0]        │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dot_1 (Dot)         │ (None, 2048, 32)  │       0 │ activation_6[0][0],  │
│                     │                   │         │ reshape_1[0][0]      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d_8 (Conv1D)   │ (None, 2048, 32)  │   1,056 │ dot_1[0][0]          │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 2048, 32)  │     128 │ conv1d_8[0][0]       │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_12       │ (None, 2048, 32)  │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d_9 (Conv1D)   │ (None, 2048, 64)  │   2,112 │ activation_12[0][0]  │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 2048, 64)  │     256 │ conv1d_9[0][0]       │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_13       │ (None, 2048, 64)  │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ conv1d_10 (Conv1D)  │ (None, 2048, 512) │  33,280 │ activation_13[0][0]  │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 2048, 512) │   2,048 │ conv1d_10[0][0]      │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_14       │ (None, 2048, 512) │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ global_max_pooling… │ (None, 512)       │       0 │ activation_14[0][0]  │
│ (GlobalMaxPooling1… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dense_6 (Dense)     │ (None, 256)       │ 131,328 │ global_max_pooling1… │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 256)       │   1,024 │ dense_6[0][0]        │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_15       │ (None, 256)       │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dropout (Dropout)   │ (None, 256)       │       0 │ activation_15[0][0]  │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dense_7 (Dense)     │ (None, 128)       │  32,896 │ dropout[0][0]        │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ batch_normalizatio… │ (None, 128)       │     512 │ dense_7[0][0]        │
│ (BatchNormalizatio… │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ activation_16       │ (None, 128)       │       0 │ batch_normalization… │
│ (Activation)        │                   │         │                      │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dropout_1 (Dropout) │ (None, 128)       │       0 │ activation_16[0][0]  │
├─────────────────────┼───────────────────┼─────────┼──────────────────────┤
│ dense_8 (Dense)     │ (None, 10)        │   1,290 │ dropout_1[0][0]      │
└─────────────────────┴───────────────────┴─────────┴──────────────────────┘

 Total params: 748,979 (2.86 MB)

 Trainable params: 742,899 (2.83 MB)

 Non-trainable params: 6,080 (23.75 KB)

训练模型

一旦定义了模型，就可以像任何其他标准分类模型一样使用 .compile() 和 .fit() 进行训练。

model.compile(
    loss="sparse_categorical_crossentropy",
    optimizer=keras.optimizers.Adam(learning_rate=0.001),
    metrics=["sparse_categorical_accuracy"],
)

model.fit(train_dataset, epochs=20, validation_data=validation_dataset)

Epoch 1/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 16:59 10s/step - loss: 70.7465 - sparse_categorical_accuracy: 0.2188



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 2:06 1s/step - loss: 69.8872 - sparse_categorical_accuracy: 0.1953



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 2:00 1s/step - loss: 69.4798 - sparse_categorical_accuracy: 0.1823



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:57 1s/step - loss: 68.7454 - sparse_categorical_accuracy: 0.1719



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:53 1s/step - loss: 67.8508 - sparse_categorical_accuracy: 0.1700



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:50 1s/step - loss: 67.0352 - sparse_categorical_accuracy: 0.1703



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:47 1s/step - loss: 66.3409 - sparse_categorical_accuracy: 0.1702



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:45 1s/step - loss: 65.5973 - sparse_categorical_accuracy: 0.1734



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:43 1s/step - loss: 64.8169 - sparse_categorical_accuracy: 0.1761



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:41 1s/step - loss: 64.0699 - sparse_categorical_accuracy: 0.1769



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:39 1s/step - loss: 63.3220 - sparse_categorical_accuracy: 0.1779



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:38 1s/step - loss: 62.6677 - sparse_categorical_accuracy: 0.1776



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:36 1s/step - loss: 62.0234 - sparse_categorical_accuracy: 0.1778



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:35 1s/step - loss: 61.4256 - sparse_categorical_accuracy: 0.1774



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:34 1s/step - loss: 60.8435 - sparse_categorical_accuracy: 0.1772



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:32 1s/step - loss: 60.2982 - sparse_categorical_accuracy: 0.1771



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:31 1s/step - loss: 59.7788 - sparse_categorical_accuracy: 0.1773



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:29 1s/step - loss: 59.2792 - sparse_categorical_accuracy: 0.1777



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:28 1s/step - loss: 58.7959 - sparse_categorical_accuracy: 0.1782



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:27 1s/step - loss: 58.3345 - sparse_categorical_accuracy: 0.1787



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:25 1s/step - loss: 57.8916 - sparse_categorical_accuracy: 0.1794



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:24 1s/step - loss: 57.4650 - sparse_categorical_accuracy: 0.1803



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:23 1s/step - loss: 57.0690 - sparse_categorical_accuracy: 0.1811



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1s/step - loss: 56.6876 - sparse_categorical_accuracy: 0.1819



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:20 1s/step - loss: 56.3285 - sparse_categorical_accuracy: 0.1827



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:19 1s/step - loss: 55.9864 - sparse_categorical_accuracy: 0.1834



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:18 1s/step - loss: 55.6550 - sparse_categorical_accuracy: 0.1843



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:17 1s/step - loss: 55.3351 - sparse_categorical_accuracy: 0.1852



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1s/step - loss: 55.0261 - sparse_categorical_accuracy: 0.1863



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:15 1s/step - loss: 54.7329 - sparse_categorical_accuracy: 0.1872



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:13 1s/step - loss: 54.4503 - sparse_categorical_accuracy: 0.1882



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 1s/step - loss: 54.1778 - sparse_categorical_accuracy: 0.1891



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1s/step - loss: 53.9170 - sparse_categorical_accuracy: 0.1900



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1s/step - loss: 53.6651 - sparse_categorical_accuracy: 0.1909



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:09 1s/step - loss: 53.4239 - sparse_categorical_accuracy: 0.1916



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:08 1s/step - loss: 53.1926 - sparse_categorical_accuracy: 0.1922



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:07 1s/step - loss: 52.9695 - sparse_categorical_accuracy: 0.1929



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1s/step - loss: 52.7542 - sparse_categorical_accuracy: 0.1935



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1s/step - loss: 52.5469 - sparse_categorical_accuracy: 0.1940



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:03 1s/step - loss: 52.3461 - sparse_categorical_accuracy: 0.1946



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:02 1s/step - loss: 52.1509 - sparse_categorical_accuracy: 0.1950



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1s/step - loss: 51.9608 - sparse_categorical_accuracy: 0.1955



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1s/step - loss: 51.7759 - sparse_categorical_accuracy: 0.1960



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59s 1s/step - loss: 51.5960 - sparse_categorical_accuracy: 0.1966



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 58s 1s/step - loss: 51.4224 - sparse_categorical_accuracy: 0.1971



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 57s 1s/step - loss: 51.2539 - sparse_categorical_accuracy: 0.1976



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56s 1s/step - loss: 51.0897 - sparse_categorical_accuracy: 0.1982



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55s 1s/step - loss: 50.9300 - sparse_categorical_accuracy: 0.1987



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54s 1s/step - loss: 50.7742 - sparse_categorical_accuracy: 0.1992



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 52s 1s/step - loss: 50.6223 - sparse_categorical_accuracy: 0.1997



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51s 1s/step - loss: 50.4747 - sparse_categorical_accuracy: 0.2001



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50s 1s/step - loss: 50.3312 - sparse_categorical_accuracy: 0.2006



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49s 1s/step - loss: 50.1910 - sparse_categorical_accuracy: 0.2011



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48s 1s/step - loss: 50.0539 - sparse_categorical_accuracy: 0.2017



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 47s 1s/step - loss: 49.9200 - sparse_categorical_accuracy: 0.2022



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46s 1s/step - loss: 49.7896 - sparse_categorical_accuracy: 0.2027



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45s 1s/step - loss: 49.6620 - sparse_categorical_accuracy: 0.2032



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44s 1s/step - loss: 49.5372 - sparse_categorical_accuracy: 0.2037



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43s 1s/step - loss: 49.4152 - sparse_categorical_accuracy: 0.2041



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 42s 1s/step - loss: 49.2957 - sparse_categorical_accuracy: 0.2046



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41s 1s/step - loss: 49.1790 - sparse_categorical_accuracy: 0.2050



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40s 1s/step - loss: 49.0646 - sparse_categorical_accuracy: 0.2054



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39s 1s/step - loss: 48.9525 - sparse_categorical_accuracy: 0.2058



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37s 1s/step - loss: 48.8427 - sparse_categorical_accuracy: 0.2062



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36s 1s/step - loss: 48.7353 - sparse_categorical_accuracy: 0.2065



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35s 1s/step - loss: 48.6299 - sparse_categorical_accuracy: 0.2069



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34s 1s/step - loss: 48.5266 - sparse_categorical_accuracy: 0.2072



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33s 1s/step - loss: 48.4277 - sparse_categorical_accuracy: 0.2075



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32s 1s/step - loss: 48.3308 - sparse_categorical_accuracy: 0.2078



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 31s 1s/step - loss: 48.2357 - sparse_categorical_accuracy: 0.2081



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30s 1s/step - loss: 48.1423 - sparse_categorical_accuracy: 0.2084



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29s 1s/step - loss: 48.0505 - sparse_categorical_accuracy: 0.2087



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28s 1s/step - loss: 47.9604 - sparse_categorical_accuracy: 0.2090



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27s 1s/step - loss: 47.8719 - sparse_categorical_accuracy: 0.2093



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 26s 1s/step - loss: 47.7852 - sparse_categorical_accuracy: 0.2096



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25s 1s/step - loss: 47.7000 - sparse_categorical_accuracy: 0.2098



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24s 1s/step - loss: 47.6164 - sparse_categorical_accuracy: 0.2101



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23s 1s/step - loss: 47.5342 - sparse_categorical_accuracy: 0.2104



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22s 1s/step - loss: 47.4536 - sparse_categorical_accuracy: 0.2106



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 21s 1s/step - loss: 47.3744 - sparse_categorical_accuracy: 0.2109



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19s 1s/step - loss: 47.2967 - sparse_categorical_accuracy: 0.2112



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18s 1s/step - loss: 47.2202 - sparse_categorical_accuracy: 0.2114



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17s 1s/step - loss: 47.1450 - sparse_categorical_accuracy: 0.2117



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16s 1s/step - loss: 47.0711 - sparse_categorical_accuracy: 0.2119



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15s 1s/step - loss: 46.9984 - sparse_categorical_accuracy: 0.2122



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14s 1s/step - loss: 46.9270 - sparse_categorical_accuracy: 0.2124



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13s 1s/step - loss: 46.8568 - sparse_categorical_accuracy: 0.2126



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12s 1s/step - loss: 46.7877 - sparse_categorical_accuracy: 0.2129



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11s 1s/step - loss: 46.7196 - sparse_categorical_accuracy: 0.2131



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10s 1s/step - loss: 46.6525 - sparse_categorical_accuracy: 0.2133



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9s 1s/step - loss: 46.5865 - sparse_categorical_accuracy: 0.2135



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8s 1s/step - loss: 46.5215 - sparse_categorical_accuracy: 0.2137



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7s 1s/step - loss: 46.4574 - sparse_categorical_accuracy: 0.2139



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6s 1s/step - loss: 46.3946 - sparse_categorical_accuracy: 0.2141



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5s 1s/step - loss: 46.3327 - sparse_categorical_accuracy: 0.2143



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4s 1s/step - loss: 46.2717 - sparse_categorical_accuracy: 0.2145



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3s 1s/step - loss: 46.2115 - sparse_categorical_accuracy: 0.2147



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2s 1s/step - loss: 46.1522 - sparse_categorical_accuracy: 0.2149



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1s 1s/step - loss: 46.0937 - sparse_categorical_accuracy: 0.2151



100/100 ━━━━━━━━━━━━━━━━━━━━ 0s 1s/step - loss: 46.0345 - sparse_categorical_accuracy: 0.2154



100/100 ━━━━━━━━━━━━━━━━━━━━ 119s 1s/step - loss: 45.9764 - sparse_categorical_accuracy: 0.2156 - val_loss: 4122951.0000 - val_sparse_categorical_accuracy: 0.3154

Epoch 2/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:44 1s/step - loss: 36.7920 - sparse_categorical_accuracy: 0.2500



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:42 1s/step - loss: 36.8501 - sparse_categorical_accuracy: 0.2188



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:39 1s/step - loss: 36.8194 - sparse_categorical_accuracy: 0.2049



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:37 1s/step - loss: 36.7948 - sparse_categorical_accuracy: 0.1947



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:35 1s/step - loss: 36.7802 - sparse_categorical_accuracy: 0.1907



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:34 1s/step - loss: 36.7761 - sparse_categorical_accuracy: 0.1911



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:33 1s/step - loss: 36.7720 - sparse_categorical_accuracy: 0.1937



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:33 1s/step - loss: 36.7660 - sparse_categorical_accuracy: 0.1964



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:32 1s/step - loss: 36.7617 - sparse_categorical_accuracy: 0.1977



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:30 1s/step - loss: 36.7567 - sparse_categorical_accuracy: 0.1992



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:30 1s/step - loss: 36.7558 - sparse_categorical_accuracy: 0.2007



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:29 1s/step - loss: 36.7534 - sparse_categorical_accuracy: 0.2022



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:28 1s/step - loss: 36.7539 - sparse_categorical_accuracy: 0.2033



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:27 1s/step - loss: 36.7521 - sparse_categorical_accuracy: 0.2049



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 1s/step - loss: 36.7500 - sparse_categorical_accuracy: 0.2064



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:25 1s/step - loss: 36.7464 - sparse_categorical_accuracy: 0.2087



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:25 1s/step - loss: 36.7410 - sparse_categorical_accuracy: 0.2116



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:24 1s/step - loss: 36.7356 - sparse_categorical_accuracy: 0.2138



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:23 1s/step - loss: 36.7314 - sparse_categorical_accuracy: 0.2157



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:21 1s/step - loss: 36.7275 - sparse_categorical_accuracy: 0.2178



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:20 1秒/步 - loss: 36.7235 - sparse_categorical_accuracy: 0.2196



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:19 1秒/步 - loss: 36.7189 - sparse_categorical_accuracy: 0.2218



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:18 1秒/步 - loss: 36.7141 - sparse_categorical_accuracy: 0.2241



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:17 1秒/步 - loss: 36.7087 - sparse_categorical_accuracy: 0.2262



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步 - loss: 36.7027 - sparse_categorical_accuracy: 0.2283



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 1秒/步 - loss: 36.6970 - sparse_categorical_accuracy: 0.2303



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:14 1秒/步 - loss: 36.6911 - sparse_categorical_accuracy: 0.2325



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:13 1秒/步 - loss: 36.6862 - sparse_categorical_accuracy: 0.2342



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:12 1秒/步 - loss: 36.6818 - sparse_categorical_accuracy: 0.2357



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步 - loss: 36.6766 - sparse_categorical_accuracy: 0.2372



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1秒/步 - loss: 36.6717 - sparse_categorical_accuracy: 0.2387



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:09 1秒/步 - loss: 36.6670 - sparse_categorical_accuracy: 0.2403



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:08 1秒/步 - loss: 36.6629 - sparse_categorical_accuracy: 0.2418



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:07 1秒/步 - loss: 36.6591 - sparse_categorical_accuracy: 0.2431



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步 - loss: 36.6551 - sparse_categorical_accuracy: 0.2444



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1秒/步 - loss: 36.6513 - sparse_categorical_accuracy: 0.2456



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1秒/步 - loss: 36.6478 - sparse_categorical_accuracy: 0.2467



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:03 1秒/步 - loss: 36.6441 - sparse_categorical_accuracy: 0.2477



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:02 1秒/步 - loss: 36.6405 - sparse_categorical_accuracy: 0.2487



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步 - loss: 36.6368 - sparse_categorical_accuracy: 0.2497



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步 - loss: 36.6331 - sparse_categorical_accuracy: 0.2507



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步 - loss: 36.6330 - sparse_categorical_accuracy: 0.2515



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步 - loss: 36.6330 - sparse_categorical_accuracy: 0.2523



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 57秒 1秒/步 - loss: 36.6331 - sparse_categorical_accuracy: 0.2531



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - loss: 36.6330 - sparse_categorical_accuracy: 0.2538



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - loss: 36.6330 - sparse_categorical_accuracy: 0.2546



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步 - loss: 36.6330 - sparse_categorical_accuracy: 0.2554



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步 - loss: 36.6330 - sparse_categorical_accuracy: 0.2561



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 52秒 1秒/步 - loss: 36.6331 - sparse_categorical_accuracy: 0.2568



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步 - loss: 36.6331 - sparse_categorical_accuracy: 0.2575



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - loss: 36.6332 - sparse_categorical_accuracy: 0.2582



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - loss: 36.6332 - sparse_categorical_accuracy: 0.2588



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步 - loss: 36.6331 - sparse_categorical_accuracy: 0.2594



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 47秒 1秒/步 - loss: 36.6330 - sparse_categorical_accuracy: 0.2600



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步 - loss: 36.6329 - sparse_categorical_accuracy: 0.2606



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步 - loss: 36.6331 - sparse_categorical_accuracy: 0.2612



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步 - loss: 36.6332 - sparse_categorical_accuracy: 0.2618



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步 - loss: 36.6332 - sparse_categorical_accuracy: 0.2624



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步 - loss: 36.6331 - sparse_categorical_accuracy: 0.2630



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步 - loss: 36.6331 - sparse_categorical_accuracy: 0.2636



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步 - loss: 36.6330 - sparse_categorical_accuracy: 0.2641



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步 - loss: 36.6330 - sparse_categorical_accuracy: 0.2646



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步 - loss: 36.6329 - sparse_categorical_accuracy: 0.2652



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37秒 1秒/步 - loss: 36.6329 - sparse_categorical_accuracy: 0.2657



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36秒 1秒/步 - loss: 36.6330 - sparse_categorical_accuracy: 0.2662



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步 - loss: 36.6332 - sparse_categorical_accuracy: 0.2667



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步 - loss: 36.6336 - sparse_categorical_accuracy: 0.2671



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步 - loss: 36.6340 - sparse_categorical_accuracy: 0.2674



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步 - loss: 36.6346 - sparse_categorical_accuracy: 0.2678



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步 - loss: 36.6352 - sparse_categorical_accuracy: 0.2682



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步 - loss: 36.6359 - sparse_categorical_accuracy: 0.2685



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步 - loss: 36.6365 - sparse_categorical_accuracy: 0.2688



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步 - loss: 36.6371 - sparse_categorical_accuracy: 0.2690



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 26秒 1秒/步 - loss: 36.6377 - sparse_categorical_accuracy: 0.2693



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步 - loss: 36.6384 - sparse_categorical_accuracy: 0.2696



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步 - loss: 36.6389 - sparse_categorical_accuracy: 0.2698



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步 - loss: 36.6394 - sparse_categorical_accuracy: 0.2700



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步 - loss: 36.6398 - sparse_categorical_accuracy: 0.2703



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 21秒 1秒/步 - loss: 36.6401 - sparse_categorical_accuracy: 0.2706



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步 - loss: 36.6406 - sparse_categorical_accuracy: 0.2708



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - loss: 36.6411 - sparse_categorical_accuracy: 0.2710



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - loss: 36.6415 - sparse_categorical_accuracy: 0.2712



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - loss: 36.6419 - sparse_categorical_accuracy: 0.2714



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步 - loss: 36.6423 - sparse_categorical_accuracy: 0.2716



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - loss: 36.6426 - sparse_categorical_accuracy: 0.2718



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步 - loss: 36.6429 - sparse_categorical_accuracy: 0.2720



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - loss: 36.6431 - sparse_categorical_accuracy: 0.2723



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - loss: 36.6432 - sparse_categorical_accuracy: 0.2725



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - loss: 36.6433 - sparse_categorical_accuracy: 0.2727



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - loss: 36.6434 - sparse_categorical_accuracy: 0.2730



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - loss: 36.6435 - sparse_categorical_accuracy: 0.2732



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - loss: 36.6435 - sparse_categorical_accuracy: 0.2734



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - loss: 36.6434 - sparse_categorical_accuracy: 0.2736



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - loss: 36.6432 - sparse_categorical_accuracy: 0.2738



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - loss: 36.6430 - sparse_categorical_accuracy: 0.2740



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - loss: 36.6427 - sparse_categorical_accuracy: 0.2742



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - loss: 36.6424 - sparse_categorical_accuracy: 0.2744



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - loss: 36.6421 - sparse_categorical_accuracy: 0.2746



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - loss: 36.6418 - sparse_categorical_accuracy: 0.2748



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - loss: 36.6402 - sparse_categorical_accuracy: 0.2749



100/100 ━━━━━━━━━━━━━━━━━━━━ 108秒 1秒/步 - loss: 36.6386 - sparse_categorical_accuracy: 0.2751 - val_loss: 20961250112658389073920.0000 - val_sparse_categorical_accuracy: 0.3191

Epoch 3/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 57:33 35秒/步 - loss: 35.9745 - sparse_categorical_accuracy: 0.3438



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:39 1秒/步 - loss: 36.1432 - sparse_categorical_accuracy: 0.3359



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:38 1秒/步 - loss: 36.1628 - sparse_categorical_accuracy: 0.3420



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:39 1秒/步 - loss: 36.1912 - sparse_categorical_accuracy: 0.3424



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:38 1秒/步 - loss: 36.2222 - sparse_categorical_accuracy: 0.3390



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:37 1秒/步 - loss: 36.2318 - sparse_categorical_accuracy: 0.3345



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:36 1秒/步 - loss: 36.2484 - sparse_categorical_accuracy: 0.3301



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:35 1秒/步 - loss: 36.2639 - sparse_categorical_accuracy: 0.3284



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:33 1秒/步 - loss: 36.2697 - sparse_categorical_accuracy: 0.3282



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:33 1秒/步 - loss: 36.2697 - sparse_categorical_accuracy: 0.3304



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:32 1秒/步 - loss: 36.2697 - sparse_categorical_accuracy: 0.3316



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:30 1秒/步 - loss: 36.2714 - sparse_categorical_accuracy: 0.3319



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:29 1秒/步 - loss: 36.2731 - sparse_categorical_accuracy: 0.3319



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:28 1秒/步 - loss: 36.2716 - sparse_categorical_accuracy: 0.3325



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:27 1秒/步 - loss: 36.2714 - sparse_categorical_accuracy: 0.3327



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 1秒/步 - loss: 36.2703 - sparse_categorical_accuracy: 0.3325



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:25 1秒/步 - loss: 36.2685 - sparse_categorical_accuracy: 0.3322



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:24 1秒/步 - loss: 36.2665 - sparse_categorical_accuracy: 0.3322



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:23 1秒/步 - loss: 36.2672 - sparse_categorical_accuracy: 0.3320



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步 - loss: 36.2689 - sparse_categorical_accuracy: 0.3316



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步 - loss: 36.2700 - sparse_categorical_accuracy: 0.3311



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:21 1秒/步 - loss: 36.2712 - sparse_categorical_accuracy: 0.3307



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:20 1秒/步 - loss: 36.2732 - sparse_categorical_accuracy: 0.3301



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:19 1秒/步 - loss: 36.2753 - sparse_categorical_accuracy: 0.3293



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:18 1秒/步 - loss: 36.2772 - sparse_categorical_accuracy: 0.3284



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步 - loss: 36.2789 - sparse_categorical_accuracy: 0.3275



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 1秒/步 - loss: 36.2803 - sparse_categorical_accuracy: 0.3266



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:14 1秒/步 - loss: 36.2832 - sparse_categorical_accuracy: 0.3258



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:13 1秒/步 - loss: 36.2886 - sparse_categorical_accuracy: 0.3251



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 1秒/步 - loss: 36.2944 - sparse_categorical_accuracy: 0.3245



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步 - loss: 36.3001 - sparse_categorical_accuracy: 0.3237



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1秒/步 - loss: 36.3053 - sparse_categorical_accuracy: 0.3231



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:09 1秒/步 - loss: 36.3102 - sparse_categorical_accuracy: 0.3226



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:08 1秒/步 - loss: 36.3150 - sparse_categorical_accuracy: 0.3221



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:07 1秒/步 - loss: 36.3196 - sparse_categorical_accuracy: 0.3216



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步 - loss: 36.3239 - sparse_categorical_accuracy: 0.3212



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1秒/步 - loss: 36.3281 - sparse_categorical_accuracy: 0.3209



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1秒/步 - loss: 36.3322 - sparse_categorical_accuracy: 0.3204



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:03 1秒/步 - loss: 36.3358 - sparse_categorical_accuracy: 0.3201



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:02 1秒/步 - loss: 36.3392 - sparse_categorical_accuracy: 0.3199



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步 - loss: 36.3423 - sparse_categorical_accuracy: 0.3196



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步 - loss: 36.3453 - sparse_categorical_accuracy: 0.3195



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步 - loss: 36.3482 - sparse_categorical_accuracy: 0.3193



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 57秒 1秒/步 - loss: 36.3509 - sparse_categorical_accuracy: 0.3193



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - loss: 36.3534 - sparse_categorical_accuracy: 0.3192



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - loss: 36.3557 - sparse_categorical_accuracy: 0.3191



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步 - loss: 36.3577 - sparse_categorical_accuracy: 0.3191



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步 - loss: 36.3597 - sparse_categorical_accuracy: 0.3190



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 52秒 1秒/步 - loss: 36.3617 - sparse_categorical_accuracy: 0.3188



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步 - loss: 36.3636 - sparse_categorical_accuracy: 0.3186



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - loss: 36.3654 - sparse_categorical_accuracy: 0.3183



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - loss: 36.3671 - sparse_categorical_accuracy: 0.3181



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步 - loss: 36.3687 - sparse_categorical_accuracy: 0.3179



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 47秒 1秒/步 - loss: 36.3705 - sparse_categorical_accuracy: 0.3177



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步 - loss: 36.3723 - sparse_categorical_accuracy: 0.3175



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步 - loss: 36.3744 - sparse_categorical_accuracy: 0.3173



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步 - loss: 36.3764 - sparse_categorical_accuracy: 0.3171



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步 - loss: 36.3784 - sparse_categorical_accuracy: 0.3170



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步 - loss: 36.3805 - sparse_categorical_accuracy: 0.3168



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步 - loss: 36.3824 - sparse_categorical_accuracy: 0.3167



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步 - loss: 36.3843 - sparse_categorical_accuracy: 0.3166



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步 - loss: 36.3862 - sparse_categorical_accuracy: 0.3165



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步 - loss: 36.3879 - sparse_categorical_accuracy: 0.3164



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37秒 1秒/步 - loss: 36.3893 - sparse_categorical_accuracy: 0.3163



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36秒 1秒/步 - loss: 36.3907 - sparse_categorical_accuracy: 0.3163



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步 - loss: 36.3921 - sparse_categorical_accuracy: 0.3162



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步 - loss: 36.3933 - sparse_categorical_accuracy: 0.3162



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步 - loss: 36.3944 - sparse_categorical_accuracy: 0.3161



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步 - loss: 36.3953 - sparse_categorical_accuracy: 0.3161



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 31秒 1秒/步 - loss: 36.3962 - sparse_categorical_accuracy: 0.3160



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步 - loss: 36.3971 - sparse_categorical_accuracy: 0.3160



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步 - loss: 36.3978 - sparse_categorical_accuracy: 0.3159



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步 - loss: 36.3986 - sparse_categorical_accuracy: 0.3159



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 26秒 1秒/步 - loss: 36.3994 - sparse_categorical_accuracy: 0.3158



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步 - loss: 36.4003 - sparse_categorical_accuracy: 0.3157



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步 - loss: 36.4011 - sparse_categorical_accuracy: 0.3157



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步 - loss: 36.4019 - sparse_categorical_accuracy: 0.3156



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步 - loss: 36.4026 - sparse_categorical_accuracy: 0.3156



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 21秒 1秒/步 - loss: 36.4032 - sparse_categorical_accuracy: 0.3155



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步 - loss: 36.4038 - sparse_categorical_accuracy: 0.3155



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - loss: 36.4045 - sparse_categorical_accuracy: 0.3155



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - loss: 36.4051 - sparse_categorical_accuracy: 0.3154



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - loss: 36.4058 - sparse_categorical_accuracy: 0.3154



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步 - loss: 36.4066 - sparse_categorical_accuracy: 0.3154



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - loss: 36.4072 - sparse_categorical_accuracy: 0.3154



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步 - loss: 36.4079 - sparse_categorical_accuracy: 0.3154



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - loss: 36.4085 - sparse_categorical_accuracy: 0.3154



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - loss: 36.4091 - sparse_categorical_accuracy: 0.3154



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - loss: 36.4097 - sparse_categorical_accuracy: 0.3154



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - loss: 36.4104 - sparse_categorical_accuracy: 0.3154



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - loss: 36.4110 - sparse_categorical_accuracy: 0.3154



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - loss: 36.4117 - sparse_categorical_accuracy: 0.3153



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - loss: 36.4123 - sparse_categorical_accuracy: 0.3153



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - loss: 36.4129 - sparse_categorical_accuracy: 0.3152



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - loss: 36.4135 - sparse_categorical_accuracy: 0.3152



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - loss: 36.4142 - sparse_categorical_accuracy: 0.3152



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - loss: 36.4150 - sparse_categorical_accuracy: 0.3151



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - loss: 36.4157 - sparse_categorical_accuracy: 0.3151



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - loss: 36.4164 - sparse_categorical_accuracy: 0.3151



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - loss: 36.4156 - sparse_categorical_accuracy: 0.3150



100/100 ━━━━━━━━━━━━━━━━━━━━ 142秒 1秒/步 - loss: 36.4148 - sparse_categorical_accuracy: 0.3150 - val_loss: 14661139300352.0000 - val_sparse_categorical_accuracy: 0.2240

Epoch 4/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:40 1秒/步 - loss: 36.7380 - sparse_categorical_accuracy: 0.5312



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:40 1秒/步 - loss: 36.7969 - sparse_categorical_accuracy: 0.4844



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:38 1秒/步 - loss: 36.7860 - sparse_categorical_accuracy: 0.4653



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:36 1秒/步 - loss: 36.7852 - sparse_categorical_accuracy: 0.4447



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:35 1秒/步 - loss: 36.7560 - sparse_categorical_accuracy: 0.4370



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:35 1秒/步 - loss: 36.7412 - sparse_categorical_accuracy: 0.4293



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:34 1秒/步 - loss: 36.7300 - sparse_categorical_accuracy: 0.4221



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:33 1秒/步 - loss: 36.7233 - sparse_categorical_accuracy: 0.4148



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:32 1秒/步 - loss: 36.7190 - sparse_categorical_accuracy: 0.4073



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:31 1秒/步 - loss: 36.7201 - sparse_categorical_accuracy: 0.3990



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:30 1秒/步 - loss: 36.7176 - sparse_categorical_accuracy: 0.3925



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:30 1秒/步 - loss: 36.7097 - sparse_categorical_accuracy: 0.3882



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:29 1秒/步 - loss: 36.7017 - sparse_categorical_accuracy: 0.3850



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:28 1秒/步 - loss: 36.6936 - sparse_categorical_accuracy: 0.3819



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:27 1秒/步 - loss: 36.6858 - sparse_categorical_accuracy: 0.3786



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 1秒/步 - loss: 36.6785 - sparse_categorical_accuracy: 0.3752



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 1秒/步 - loss: 36.6711 - sparse_categorical_accuracy: 0.3723



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:24 1秒/步 - loss: 36.6637 - sparse_categorical_accuracy: 0.3695



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:23 1秒/步 - loss: 36.6692 - sparse_categorical_accuracy: 0.3668



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步 - loss: 36.6728 - sparse_categorical_accuracy: 0.3647



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:21 1秒/步 - loss: 36.6748 - sparse_categorical_accuracy: 0.3631



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:20 1秒/步 - loss: 36.6766 - sparse_categorical_accuracy: 0.3616



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:19 1秒/步 - loss: 36.6783 - sparse_categorical_accuracy: 0.3601



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:18 1秒/步 - loss: 36.6799 - sparse_categorical_accuracy: 0.3588



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:17 1秒/步 - loss: 36.6818 - sparse_categorical_accuracy: 0.3576



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步 - loss: 36.6836 - sparse_categorical_accuracy: 0.3565



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 1秒/步 - loss: 36.6852 - sparse_categorical_accuracy: 0.3555



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:14 1秒/步 - loss: 36.6879 - sparse_categorical_accuracy: 0.3545



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:13 1秒/步 - loss: 36.6908 - sparse_categorical_accuracy: 0.3535



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 1秒/步 - loss: 36.6939 - sparse_categorical_accuracy: 0.3525



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步 - loss: 36.6971 - sparse_categorical_accuracy: 0.3515



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1秒/步 - loss: 36.7002 - sparse_categorical_accuracy: 0.3506



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:09 1秒/步 - loss: 36.7032 - sparse_categorical_accuracy: 0.3498



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:08 1秒/步 - loss: 36.7059 - sparse_categorical_accuracy: 0.3492



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:07 1秒/步 - loss: 36.7085 - sparse_categorical_accuracy: 0.3487



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步 - loss: 36.7110 - sparse_categorical_accuracy: 0.3481



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1秒/步 - loss: 36.7138 - sparse_categorical_accuracy: 0.3476



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1秒/步 - loss: 36.7167 - sparse_categorical_accuracy: 0.3472



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:03 1秒/步 - loss: 36.7196 - sparse_categorical_accuracy: 0.3468



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:02 1秒/步 - loss: 36.7225 - sparse_categorical_accuracy: 0.3463



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步 - loss: 36.7254 - sparse_categorical_accuracy: 0.3459



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步 - loss: 36.7283 - sparse_categorical_accuracy: 0.3455



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步 - loss: 36.7311 - sparse_categorical_accuracy: 0.3450



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步 - loss: 36.7339 - sparse_categorical_accuracy: 0.3446



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 57秒 1秒/步 - loss: 36.7364 - sparse_categorical_accuracy: 0.3441



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - loss: 36.7387 - sparse_categorical_accuracy: 0.3437



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - loss: 36.7410 - sparse_categorical_accuracy: 0.3432



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步 - loss: 36.7433 - sparse_categorical_accuracy: 0.3428



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步 - loss: 36.7454 - sparse_categorical_accuracy: 0.3424



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步 - loss: 36.7475 - sparse_categorical_accuracy: 0.3420



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - loss: 36.7496 - sparse_categorical_accuracy: 0.3416



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - loss: 36.7515 - sparse_categorical_accuracy: 0.3413



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步 - loss: 36.7532 - sparse_categorical_accuracy: 0.3410



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 47秒 1秒/步 - loss: 36.7547 - sparse_categorical_accuracy: 0.3407



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步 - loss: 36.7561 - sparse_categorical_accuracy: 0.3404



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步 - loss: 36.7575 - sparse_categorical_accuracy: 0.3401



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步 - loss: 36.7590 - sparse_categorical_accuracy: 0.3398



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步 - loss: 36.7603 - sparse_categorical_accuracy: 0.3396



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步 - loss: 36.7617 - sparse_categorical_accuracy: 0.3393



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步 - loss: 36.7629 - sparse_categorical_accuracy: 0.3390



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步 - loss: 36.7641 - sparse_categorical_accuracy: 0.3387



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步 - loss: 36.7653 - sparse_categorical_accuracy: 0.3383



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步 - loss: 36.7665 - sparse_categorical_accuracy: 0.3380



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37秒 1秒/步 - loss: 36.7676 - sparse_categorical_accuracy: 0.3376



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36秒 1秒/步 - loss: 36.7687 - sparse_categorical_accuracy: 0.3373



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步 - loss: 36.7696 - sparse_categorical_accuracy: 0.3369



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步 - loss: 36.7705 - sparse_categorical_accuracy: 0.3366



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步 - loss: 36.7713 - sparse_categorical_accuracy: 0.3363



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步 - loss: 36.7720 - sparse_categorical_accuracy: 0.3360



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 31秒 1秒/步 - loss: 36.7725 - sparse_categorical_accuracy: 0.3357



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步 - loss: 36.7730 - sparse_categorical_accuracy: 0.3354



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步 - loss: 36.7734 - sparse_categorical_accuracy: 0.3352



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步 - loss: 36.7736 - sparse_categorical_accuracy: 0.3350



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步 - loss: 36.7739 - sparse_categorical_accuracy: 0.3348



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 26秒 1秒/步 - loss: 36.7742 - sparse_categorical_accuracy: 0.3345



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步 - loss: 36.7744 - sparse_categorical_accuracy: 0.3343



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步 - loss: 36.7746 - sparse_categorical_accuracy: 0.3340



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步 - loss: 36.7747 - sparse_categorical_accuracy: 0.3338



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步 - loss: 36.7747 - sparse_categorical_accuracy: 0.3335



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步 - loss: 36.7747 - sparse_categorical_accuracy: 0.3333



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - loss: 36.7746 - sparse_categorical_accuracy: 0.3330



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - loss: 36.7745 - sparse_categorical_accuracy: 0.3328



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - loss: 36.7743 - sparse_categorical_accuracy: 0.3325



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步 - loss: 36.7741 - sparse_categorical_accuracy: 0.3322



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - loss: 36.7739 - sparse_categorical_accuracy: 0.3320



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步 - loss: 36.7737 - sparse_categorical_accuracy: 0.3317



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - loss: 36.7735 - sparse_categorical_accuracy: 0.3315



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - loss: 36.7732 - sparse_categorical_accuracy: 0.3312



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - loss: 36.7729 - sparse_categorical_accuracy: 0.3310



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - loss: 36.7727 - sparse_categorical_accuracy: 0.3307



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - loss: 36.7724 - sparse_categorical_accuracy: 0.3305



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - loss: 36.7721 - sparse_categorical_accuracy: 0.3303



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - loss: 36.7718 - sparse_categorical_accuracy: 0.3300



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - loss: 36.7714 - sparse_categorical_accuracy: 0.3298



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - loss: 36.7711 - sparse_categorical_accuracy: 0.3296



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - loss: 36.7707 - sparse_categorical_accuracy: 0.3294



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - loss: 36.7704 - sparse_categorical_accuracy: 0.3293



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - loss: 36.7701 - sparse_categorical_accuracy: 0.3291



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - loss: 36.7697 - sparse_categorical_accuracy: 0.3289



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - loss: 36.7677 - sparse_categorical_accuracy: 0.3288



100/100 ━━━━━━━━━━━━━━━━━━━━ 110秒 1秒/步 - loss: 36.7658 - sparse_categorical_accuracy: 0.3286 - val_loss: 2640681721921536.0000 - val_sparse_categorical_accuracy: 0.3542

Epoch 5/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:43 1秒/步 - loss: 36.6004 - sparse_categorical_accuracy: 0.2188



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:42 1秒/步 - loss: 36.5184 - sparse_categorical_accuracy: 0.2734



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:43 1秒/步 - loss: 36.4827 - sparse_categorical_accuracy: 0.2969



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:42 1秒/步 - loss: 36.4396 - sparse_categorical_accuracy: 0.3086



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:42 1秒/步 - loss: 36.4243 - sparse_categorical_accuracy: 0.3131



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:40 1秒/步 - loss: 36.4060 - sparse_categorical_accuracy: 0.3165



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:38 1秒/步 - loss: 36.4471 - sparse_categorical_accuracy: 0.3178



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:37 1秒/步 - loss: 36.4807 - sparse_categorical_accuracy: 0.3177



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:36 1秒/步 - loss: 36.5028 - sparse_categorical_accuracy: 0.3163



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:35 1秒/步 - loss: 36.5155 - sparse_categorical_accuracy: 0.3162



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:34 1秒/步 - loss: 36.5232 - sparse_categorical_accuracy: 0.3151



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:33 1秒/步 - loss: 36.5263 - sparse_categorical_accuracy: 0.3147



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:32 1秒/步 - loss: 36.5277 - sparse_categorical_accuracy: 0.3145



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:32 1秒/步 - loss: 36.5289 - sparse_categorical_accuracy: 0.3139



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:31 1秒/步 - loss: 36.5328 - sparse_categorical_accuracy: 0.3130



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:30 1秒/步 - loss: 36.5365 - sparse_categorical_accuracy: 0.3120



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:29 1秒/步 - loss: 36.5411 - sparse_categorical_accuracy: 0.3116



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:28 1秒/步 - loss: 36.5457 - sparse_categorical_accuracy: 0.3119



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:27 1秒/步 - loss: 36.5504 - sparse_categorical_accuracy: 0.3127



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:26 1秒/步 - loss: 36.5570 - sparse_categorical_accuracy: 0.3130



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:25 1秒/步 - loss: 36.5644 - sparse_categorical_accuracy: 0.3134



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:23 1秒/步 - loss: 36.5724 - sparse_categorical_accuracy: 0.3134



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步 - loss: 36.5828 - sparse_categorical_accuracy: 0.3136



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:21 1秒/步 - loss: 36.6011 - sparse_categorical_accuracy: 0.3138



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:20 1秒/步 - loss: 36.6181 - sparse_categorical_accuracy: 0.3137



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:19 1秒/步 - loss: 36.6334 - sparse_categorical_accuracy: 0.3140



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:18 1秒/步 - loss: 36.6477 - sparse_categorical_accuracy: 0.3142



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:17 1秒/步 - loss: 36.6605 - sparse_categorical_accuracy: 0.3147



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步 - loss: 36.6723 - sparse_categorical_accuracy: 0.3149



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:15 1秒/步 - loss: 36.6831 - sparse_categorical_accuracy: 0.3153



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:14 1秒/步 - loss: 36.6929 - sparse_categorical_accuracy: 0.3157



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:13 1秒/步 - loss: 36.7023 - sparse_categorical_accuracy: 0.3160



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 1秒/步 - loss: 36.7110 - sparse_categorical_accuracy: 0.3161



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步 - loss: 36.7188 - sparse_categorical_accuracy: 0.3161



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:10 1秒/步 - loss: 36.7264 - sparse_categorical_accuracy: 0.3161



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:09 1秒/步 - loss: 36.7333 - sparse_categorical_accuracy: 0.3160



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:08 1秒/步 - loss: 36.7404 - sparse_categorical_accuracy: 0.3160



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:07 1秒/步 - loss: 36.7483 - sparse_categorical_accuracy: 0.3158



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步 - loss: 36.7558 - sparse_categorical_accuracy: 0.3156



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:05 1秒/步 - loss: 36.7629 - sparse_categorical_accuracy: 0.3155



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:04 1秒/步 - loss: 36.7698 - sparse_categorical_accuracy: 0.3153



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:03 1秒/步 - loss: 36.7760 - sparse_categorical_accuracy: 0.3151



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步 - loss: 36.7818 - sparse_categorical_accuracy: 0.3150



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步 - loss: 36.7870 - sparse_categorical_accuracy: 0.3149



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 59秒 1秒/步 - loss: 36.7922 - sparse_categorical_accuracy: 0.3147



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 58秒 1秒/步 - loss: 36.7971 - sparse_categorical_accuracy: 0.3145



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 57秒 1秒/步 - loss: 36.8016 - sparse_categorical_accuracy: 0.3144



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - loss: 36.8057 - sparse_categorical_accuracy: 0.3143



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - loss: 36.8098 - sparse_categorical_accuracy: 0.3142



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 54秒 1秒/步 - loss: 36.8136 - sparse_categorical_accuracy: 0.3141



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 53秒 1秒/步 - loss: 36.8172 - sparse_categorical_accuracy: 0.3141



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 52秒 1秒/步 - loss: 36.8203 - sparse_categorical_accuracy: 0.3141



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - loss: 36.8234 - sparse_categorical_accuracy: 0.3141



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - loss: 36.8262 - sparse_categorical_accuracy: 0.3141



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 48秒 1秒/步 - loss: 36.8288 - sparse_categorical_accuracy: 0.3140



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 47秒 1秒/步 - loss: 36.8313 - sparse_categorical_accuracy: 0.3140



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步 - loss: 36.8338 - sparse_categorical_accuracy: 0.3139



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步 - loss: 36.8362 - sparse_categorical_accuracy: 0.3139



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步 - loss: 36.8383 - sparse_categorical_accuracy: 0.3139



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 43秒 1秒/步 - loss: 36.8402 - sparse_categorical_accuracy: 0.3138



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 42秒 1秒/步 - loss: 36.8420 - sparse_categorical_accuracy: 0.3137



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步 - loss: 36.8436 - sparse_categorical_accuracy: 0.3137



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步 - loss: 36.8450 - sparse_categorical_accuracy: 0.3136



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步 - loss: 36.8501 - sparse_categorical_accuracy: 0.3135



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 37秒 1秒/步 - loss: 36.8548 - sparse_categorical_accuracy: 0.3134



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36秒 1秒/步 - loss: 36.8594 - sparse_categorical_accuracy: 0.3133



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步 - loss: 36.8637 - sparse_categorical_accuracy: 0.3132



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步 - loss: 36.8679 - sparse_categorical_accuracy: 0.3132



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步 - loss: 36.8722 - sparse_categorical_accuracy: 0.3131



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 32秒 1秒/步 - loss: 36.8765 - sparse_categorical_accuracy: 0.3130



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 31秒 1秒/步 - loss: 36.8808 - sparse_categorical_accuracy: 0.3129



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步 - loss: 36.8851 - sparse_categorical_accuracy: 0.3128



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步 - loss: 36.8893 - sparse_categorical_accuracy: 0.3127



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步 - loss: 36.8934 - sparse_categorical_accuracy: 0.3126



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 26秒 1秒/步 - loss: 36.8974 - sparse_categorical_accuracy: 0.3125



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步 - loss: 36.9016 - sparse_categorical_accuracy: 0.3124



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步 - loss: 36.9056 - sparse_categorical_accuracy: 0.3123



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步 - loss: 36.9097 - sparse_categorical_accuracy: 0.3122



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步 - loss: 36.9137 - sparse_categorical_accuracy: 0.3121



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 21秒 1秒/步 - loss: 36.9180 - sparse_categorical_accuracy: 0.3120



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步 - loss: 36.9223 - sparse_categorical_accuracy: 0.3119



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - loss: 36.9265 - sparse_categorical_accuracy: 0.3118



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - loss: 36.9306 - sparse_categorical_accuracy: 0.3117



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - loss: 36.9348 - sparse_categorical_accuracy: 0.3116



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 16秒 1秒/步 - loss: 36.9389 - sparse_categorical_accuracy: 0.3115



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - loss: 36.9430 - sparse_categorical_accuracy: 0.3114



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - loss: 36.9471 - sparse_categorical_accuracy: 0.3113



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - loss: 36.9511 - sparse_categorical_accuracy: 0.3112



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - loss: 36.9550 - sparse_categorical_accuracy: 0.3112



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - 损失: 36.9589 - 类别准确率: 0.3111



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - 损失: 36.9626 - 类别准确率: 0.3110



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - 损失: 36.9663 - 类别准确率: 0.3109



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - 损失: 36.9700 - 类别准确率: 0.3108



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - 损失: 36.9734 - 类别准确率: 0.3107



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - 损失: 36.9768 - 类别准确率: 0.3106



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - 损失: 36.9801 - 类别准确率: 0.3105



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - 损失: 36.9834 - 类别准确率: 0.3104



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - 损失: 36.9866 - 类别准确率: 0.3103



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - 损失: 36.9898 - 类别准确率: 0.3102



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - 损失: 36.9913 - 类别准确率: 0.3101



100/100 ━━━━━━━━━━━━━━━━━━━━ 112秒 1秒/步 - 损失: 36.9928 - 类别准确率: 0.3100 - 验证损失: 2087371157504536015273984.0000 - 验证类别准确率: 0.3004

Epoch 6/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分43秒 1秒/步 - 损失: 37.1168 - 类别准确率: 0.1875



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分48秒 1秒/步 - 损失: 37.1688 - 类别准确率: 0.1719



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分46秒 1秒/步 - 损失: 37.1452 - 类别准确率: 0.1944



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分44秒 1秒/步 - 损失: 37.0992 - 类别准确率: 0.2220



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分43秒 1秒/步 - 损失: 37.0764 - 类别准确率: 0.2376



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分43秒 1秒/步 - 损失: 37.0523 - 类别准确率: 0.2492



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分42秒 1秒/步 - 损失: 37.0250 - 类别准确率: 0.2602



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分40秒 1秒/步 - 损失: 36.9997 - 类别准确率: 0.2692



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分38秒 1秒/步 - 损失: 36.9775 - 类别准确率: 0.2755



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分37秒 1秒/步 - 损失: 36.9576 - 类别准确率: 0.2805



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分35秒 1秒/步 - 损失: 36.9399 - 类别准确率: 0.2849



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分34秒 1秒/步 - 损失: 36.9274 - 类别准确率: 0.2881



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分33秒 1秒/步 - 损失: 36.9169 - 类别准确率: 0.2911



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分31秒 1秒/步 - 损失: 36.9084 - 类别准确率: 0.2931



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分30秒 1秒/步 - 损失: 36.8988 - 类别准确率: 0.2952



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分29秒 1秒/步 - 损失: 36.8877 - 类别准确率: 0.2976



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分28秒 1秒/步 - 损失: 36.8768 - 类别准确率: 0.3001



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分26秒 1秒/步 - 损失: 36.8669 - 类别准确率: 0.3020



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分25秒 1秒/步 - 损失: 36.8565 - 类别准确率: 0.3036



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分25秒 1秒/步 - 损失: 36.8455 - 类别准确率: 0.3054



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分23秒 1秒/步 - 损失: 36.8350 - 类别准确率: 0.3068



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分22秒 1秒/步 - 损失: 36.8242 - 类别准确率: 0.3080



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分21秒 1秒/步 - 损失: 36.8151 - 类别准确率: 0.3088



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分20秒 1秒/步 - 损失: 36.8065 - 类别准确率: 0.3096



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分19秒 1秒/步 - 损失: 36.7989 - 类别准确率: 0.3102



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分18秒 1秒/步 - 损失: 36.7921 - 类别准确率: 0.3105



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分17秒 1秒/步 - 损失: 36.7860 - 类别准确率: 0.3107



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分16秒 1秒/步 - 损失: 36.7804 - 类别准确率: 0.3107



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分15秒 1秒/步 - 损失: 36.7753 - 类别准确率: 0.3109



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分14秒 1秒/步 - 损失: 36.7707 - 类别准确率: 0.3113



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分13秒 1秒/步 - 损失: 36.7666 - 类别准确率: 0.3118



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分12秒 1秒/步 - 损失: 36.7625 - 类别准确率: 0.3123



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分11秒 1秒/步 - 损失: 36.7581 - 类别准确率: 0.3129



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分10秒 1秒/步 - 损失: 36.7541 - 类别准确率: 0.3132



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分08秒 1秒/步 - 损失: 36.7502 - 类别准确率: 0.3134



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分07秒 1秒/步 - 损失: 36.7466 - 类别准确率: 0.3136



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分06秒 1秒/步 - 损失: 36.7429 - 类别准确率: 0.3138



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分05秒 1秒/步 - 损失: 36.7391 - 类别准确率: 0.3140



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分04秒 1秒/步 - 损失: 36.7354 - 类别准确率: 0.3141



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1分03秒 1秒/步 - 损失: 36.7317 - 类别准确率: 0.3141



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1分02秒 1秒/步 - 损失: 36.7280 - 类别准确率: 0.3141



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1分01秒 1秒/步 - 损失: 36.7242 - 类别准确率: 0.3142



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1分00秒 1秒/步 - 损失: 36.7205 - 类别准确率: 0.3142



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步 - 损失: 36.7167 - 类别准确率: 0.3143



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 58秒 1秒/步 - 损失: 36.7129 - 类别准确率: 0.3144



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - 损失: 36.7114 - 类别准确率: 0.3145



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - 损失: 36.7097 - 类别准确率: 0.3146



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步 - 损失: 36.7081 - 类别准确率: 0.3147



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步 - 损失: 36.7067 - 类别准确率: 0.3148



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 52秒 1秒/步 - 损失: 36.7053 - 类别准确率: 0.3149



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步 - 损失: 36.7043 - 类别准确率: 0.3150



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - 损失: 36.7035 - 类别准确率: 0.3151



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - 损失: 36.7027 - 类别准确率: 0.3152



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步 - 损失: 36.7020 - 类别准确率: 0.3153



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 47秒 1秒/步 - 损失: 36.7013 - 类别准确率: 0.3153



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步 - 损失: 36.7005 - 类别准确率: 0.3154



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步 - 损失: 36.6997 - 类别准确率: 0.3155



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步 - 损失: 36.6991 - 类别准确率: 0.3155



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步 - 损失: 36.6983 - 类别准确率: 0.3156



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步 - 损失: 36.6977 - 类别准确率: 0.3156



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步 - 损失: 36.6974 - 类别准确率: 0.3156



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步 - 损失: 36.6971 - 类别准确率: 0.3156



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步 - 损失: 36.6968 - 类别准确率: 0.3156



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37秒 1秒/步 - 损失: 36.6963 - 类别准确率: 0.3157



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36秒 1秒/步 - 损失: 36.6959 - 类别准确率: 0.3157



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步 - 损失: 36.6954 - 类别准确率: 0.3158



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步 - 损失: 36.6949 - 类别准确率: 0.3159



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步 - 损失: 36.6944 - 类别准确率: 0.3160



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步 - 损失: 36.6939 - 类别准确率: 0.3161



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 31秒 1秒/步 - 损失: 36.6933 - 类别准确率: 0.3162



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步 - 损失: 36.6927 - 类别准确率: 0.3163



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步 - 损失: 36.6921 - 类别准确率: 0.3164



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步 - 损失: 36.6914 - 类别准确率: 0.3165



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 26秒 1秒/步 - 损失: 36.6907 - 类别准确率: 0.3166



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步 - 损失: 36.6901 - 类别准确率: 0.3166



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步 - 损失: 36.6897 - 类别准确率: 0.3167



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步 - 损失: 36.6892 - 类别准确率: 0.3167



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步 - 损失: 36.6887 - 类别准确率: 0.3168



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 21秒 1秒/步 - 损失: 36.6882 - 类别准确率: 0.3169



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步 - 损失: 36.6878 - 类别准确率: 0.3170



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - 损失: 36.6872 - 类别准确率: 0.3171



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - 损失: 36.6867 - 类别准确率: 0.3172



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - 损失: 36.6862 - 类别准确率: 0.3173



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步 - 损失: 36.6858 - 类别准确率: 0.3173



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - 损失: 36.6853 - 类别准确率: 0.3174



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步 - 损失: 36.6847 - 类别准确率: 0.3175



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - 损失: 36.6842 - 类别准确率: 0.3175



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - 损失: 36.6835 - 类别准确率: 0.3176



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - 损失: 36.6829 - 类别准确率: 0.3176



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - 损失: 36.6823 - 类别准确率: 0.3177



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - 损失: 36.6817 - 类别准确率: 0.3177



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - 损失: 36.6810 - 类别准确率: 0.3177



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - 损失: 36.6804 - 类别准确率: 0.3177



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - 损失: 36.6802 - 类别准确率: 0.3178



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - 损失: 36.6800 - 类别准确率: 0.3178



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - 损失: 36.6798 - 类别准确率: 0.3179



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - 损失: 36.6797 - 类别准确率: 0.3179



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - 损失: 36.6795 - 类别准确率: 0.3180



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - 损失: 36.6792 - 类别准确率: 0.3180



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - 损失: 36.6775 - 类别准确率: 0.3181



100/100 ━━━━━━━━━━━━━━━━━━━━ 108秒 1秒/步 - 损失: 36.6758 - 类别准确率: 0.3182 - 验证损失: 598952362161209344.0000 - 验证类别准确率: 0.4180

Epoch 7/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分46秒 1秒/步 - 损失: 36.5799 - 类别准确率: 0.2188



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分45秒 1秒/步 - 损失: 39.4707 - 类别准确率: 0.2422



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分44秒 1秒/步 - 损失: 39.7202 - 类别准确率: 0.2622



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分41秒 1秒/步 - 损失: 39.6028 - 类别准确率: 0.2826



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分39秒 1秒/步 - 损失: 39.4266 - 类别准确率: 0.2923



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分37秒 1秒/步 - 损失: 39.2664 - 类别准确率: 0.3000



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分35秒 1秒/步 - 损失: 39.1370 - 类别准确率: 0.3050



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分34秒 1秒/步 - 损失: 39.0332 - 类别准确率: 0.3064



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分34秒 1秒/步 - 损失: 38.9412 - 类别准确率: 0.3090



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分33秒 1秒/步 - 损失: 38.8614 - 类别准确率: 0.3115



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分32秒 1秒/步 - 损失: 38.7961 - 类别准确率: 0.3127



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分31秒 1秒/步 - 损失: 38.7323 - 类别准确率: 0.3144



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分30秒 1秒/步 - 损失: 38.6772 - 类别准确率: 0.3161



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分29秒 1秒/步 - 损失: 38.6311 - 类别准确率: 0.3166



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分28秒 1秒/步 - 损失: 38.5887 - 类别准确率: 0.3172



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分27秒 1秒/步 - 损失: 38.5600 - 类别准确率: 0.3173



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分26秒 1秒/步 - 损失: 38.5358 - 类别准确率: 0.3172



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分25秒 1秒/步 - 损失: 38.5143 - 类别准确率: 0.3170



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分24秒 1秒/步 - 损失: 38.4937 - 类别准确率: 0.3166



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分23秒 1秒/步 - 损失: 38.4737 - 类别准确率: 0.3164



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分22秒 1秒/步 - 损失: 38.4543 - 类别准确率: 0.3164



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分20秒 1秒/步 - 损失: 38.4364 - 类别准确率: 0.3163



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分19秒 1秒/步 - 损失: 38.4201 - 类别准确率: 0.3161



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分18秒 1秒/步 - 损失: 38.4052 - 类别准确率: 0.3162



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分17秒 1秒/步 - 损失: 38.3898 - 类别准确率: 0.3165



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分16秒 1秒/步 - 损失: 38.3748 - 类别准确率: 0.3167



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分15秒 1秒/步 - 损失: 38.3601 - 类别准确率: 0.3167



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分14秒 1秒/步 - 损失: 38.3457 - 类别准确率: 0.3167



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分13秒 1秒/步 - 损失: 38.3315 - 类别准确率: 0.3168



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分12秒 1秒/步 - 损失: 38.3167 - 类别准确率: 0.3172



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分11秒 1秒/步 - 损失: 38.3021 - 类别准确率: 0.3175



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分10秒 1秒/步 - 损失: 38.2873 - 类别准确率: 0.3179



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分09秒 1秒/步 - 损失: 38.2722 - 类别准确率: 0.3184



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分08秒 1秒/步 - 损失: 38.2571 - 类别准确率: 0.3189



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分07秒 1秒/步 - 损失: 38.2425 - 类别准确率: 0.3193



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分06秒 1秒/步 - 损失: 38.2277 - 类别准确率: 0.3197



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分05秒 1秒/步 - 损失: 38.2132 - 类别准确率: 0.3199



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分04秒 1秒/步 - 损失: 38.1989 - 类别准确率: 0.3201



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分02秒 1秒/步 - 损失: 38.1846 - 类别准确率: 0.3204



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1分01秒 1秒/步 - 损失: 38.1707 - 类别准确率: 0.3206



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1分00秒 1秒/步 - 损失: 38.1595 - 类别准确率: 0.3209



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步 - 损失: 38.1484 - 类别准确率: 0.3211



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步 - 损失: 38.1373 - 类别准确率: 0.3213



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 57秒 1秒/步 - 损失: 38.1262 - 类别准确率: 0.3214



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - 损失: 38.1152 - 类别准确率: 0.3215



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - 损失: 38.1040 - 类别准确率: 0.3216



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步 - 损失: 38.0932 - 类别准确率: 0.3216



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步 - 损失: 38.0824 - 类别准确率: 0.3216



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 52秒 1秒/步 - 损失: 38.0716 - 类别准确率: 0.3216



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步 - 损失: 38.0609 - 类别准确率: 0.3216



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - 损失: 38.0535 - 类别准确率: 0.3216



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - 损失: 38.0460 - 类别准确率: 0.3217



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步 - 损失: 38.0384 - 类别准确率: 0.3217



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 47秒 1秒/步 - 损失: 38.0309 - 类别准确率: 0.3217



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步 - 损失: 38.0235 - 类别准确率: 0.3218



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步 - 损失: 38.0162 - 类别准确率: 0.3218



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步 - 损失: 38.0092 - 类别准确率: 0.3217



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步 - 损失: 38.0029 - 类别准确率: 0.3217



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步 - 损失: 37.9967 - 类别准确率: 0.3216



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步 - 损失: 37.9907 - 类别准确率: 0.3215



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步 - 损失: 37.9848 - 类别准确率: 0.3215



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步 - 损失: 37.9791 - 类别准确率: 0.3214



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步 - 损失: 37.9734 - 类别准确率: 0.3214



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 36秒 1秒/步 - 损失: 37.9678 - 类别准确率: 0.3213



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步 - 损失: 37.9623 - 类别准确率: 0.3212



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步 - 损失: 37.9570 - 类别准确率: 0.3211



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步 - 损失: 37.9519 - 类别准确率: 0.3211



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步 - 损失: 37.9469 - 类别准确率: 0.3210



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 31秒 1秒/步 - 损失: 37.9424 - 类别准确率: 0.3209



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步 - 损失: 37.9380 - 类别准确率: 0.3208



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步 - 损失: 37.9341 - 类别准确率: 0.3208



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步 - 损失: 37.9304 - 类别准确率: 0.3207



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步 - 损失: 37.9269 - 类别准确率: 0.3206



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 26秒 1秒/步 - 损失: 37.9234 - 类别准确率: 0.3206



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步 - 损失: 37.9199 - 类别准确率: 0.3205



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步 - 损失: 37.9165 - 类别准确率: 0.3204



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步 - 损失: 37.9135 - 类别准确率: 0.3203



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步 - 损失: 37.9104 - 类别准确率: 0.3202



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 21秒 1秒/步 - 损失: 37.9071 - 类别准确率: 0.3202



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步 - 损失: 37.9039 - 类别准确率: 0.3201



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - 损失: 37.9007 - 类别准确率: 0.3201



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - 损失: 37.8974 - 类别准确率: 0.3200



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - 损失: 37.8941 - 类别准确率: 0.3200



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步 - 损失: 37.8908 - 类别准确率: 0.3200



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - 损失: 37.8875 - 类别准确率: 0.3199



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步 - 损失: 37.8840 - 类别准确率: 0.3199



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - 损失: 37.8806 - 类别准确率: 0.3199



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - 损失: 37.8770 - 类别准确率: 0.3198



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - 损失: 37.8734 - 类别准确率: 0.3198



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - 损失: 37.8697 - 类别准确率: 0.3197



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - 损失: 37.8660 - 类别准确率: 0.3197



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - 损失: 37.8622 - 类别准确率: 0.3196



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - 损失: 37.8583 - 类别准确率: 0.3195



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - 损失: 37.8545 - 类别准确率: 0.3195



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - 损失: 37.8505 - 类别准确率: 0.3194



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - 损失: 37.8465 - 类别准确率: 0.3194



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - 损失: 37.8424 - 类别准确率: 0.3193



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - 损失: 37.8384 - 类别准确率: 0.3193



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - 损失: 37.8342 - 类别准确率: 0.3192



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - 损失: 37.8286 - 类别准确率: 0.3192



100/100 ━━━━━━━━━━━━━━━━━━━━ 107秒 1秒/步 - 损失: 37.8231 - 类别准确率: 0.3192 - 验证损失: 1330149064704.0000 - 验证类别准确率: 0.3367

Epoch 8/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分42秒 1秒/步 - 损失: 36.6512 - 类别准确率: 0.2500



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分44秒 1秒/步 - 损失: 36.6798 - 类别准确率: 0.2734



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分40秒 1秒/步 - 损失: 36.6432 - 类别准确率: 0.2899



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分40秒 1秒/步 - 损失: 36.5739 - 类别准确率: 0.3132



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分39秒 1秒/步 - 损失: 36.5407 - 类别准确率: 0.3268



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分37秒 1秒/步 - 损失: 36.5485 - 类别准确率: 0.3331



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分36秒 1秒/步 - 损失: 36.5576 - 类别准确率: 0.3371



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分35秒 1秒/步 - 损失: 36.5698 - 类别准确率: 0.3385



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分34秒 1秒/步 - 损失: 36.5745 - 类别准确率: 0.3394



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分33秒 1秒/步 - 损失: 36.5792 - 类别准确率: 0.3389



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分32秒 1秒/步 - 损失: 36.5810 - 类别准确率: 0.3376



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分30秒 1秒/步 - 损失: 36.5798 - 类别准确率: 0.3361



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分29秒 1秒/步 - 损失: 36.5791 - 类别准确率: 0.3352



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分28秒 1秒/步 - 损失: 36.5762 - 类别准确率: 0.3354



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分28秒 1秒/步 - 损失: 36.5728 - 类别准确率: 0.3355



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分26秒 1秒/步 - 损失: 36.5684 - 类别准确率: 0.3359



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分25秒 1秒/步 - 损失: 36.5666 - 类别准确率: 0.3356



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分24秒 1秒/步 - 损失: 36.5648 - 类别准确率: 0.3348



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分23秒 1秒/步 - 损失: 36.5629 - 类别准确率: 0.3337



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分22秒 1秒/步 - 损失: 36.5608 - 类别准确率: 0.3327



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分21秒 1秒/步 - 损失: 36.5580 - 类别准确率: 0.3321



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分20秒 1秒/步 - 损失: 36.5553 - 类别准确率: 0.3314



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分19秒 1秒/步 - 损失: 36.5536 - 类别准确率: 0.3305



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分18秒 1秒/步 - 损失: 36.5524 - 类别准确率: 0.3294



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分17秒 1秒/步 - 损失: 36.5546 - 类别准确率: 0.3286



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分16秒 1秒/步 - 损失: 36.5562 - 类别准确率: 0.3276



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分15秒 1秒/步 - 损失: 36.5576 - 类别准确率: 0.3267



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分14秒 1秒/步 - 损失: 36.5586 - 类别准确率: 0.3258



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1分13秒 1秒/步 - 损失: 36.5592 - 类别准确率: 0.3251



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分11秒 1秒/步 - 损失: 36.5596 - 类别准确率: 0.3245



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分10秒 1秒/步 - 损失: 36.5592 - 类别准确率: 0.3241



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分09秒 1秒/步 - 损失: 36.5586 - 类别准确率: 0.3238



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分08秒 1秒/步 - 损失: 36.5576 - 类别准确率: 0.3236



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1分07秒 1秒/步 - 损失: 36.5560 - 类别准确率: 0.3234



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分06秒 1秒/步 - 损失: 36.5542 - 类别准确率: 0.3233



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分05秒 1秒/步 - 损失: 36.5522 - 类别准确率: 0.3231



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分04秒 1秒/步 - 损失: 36.5500 - 类别准确率: 0.3231



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分03秒 1秒/步 - 损失: 36.5481 - 类别准确率: 0.3230



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1分02秒 1秒/步 - 损失: 36.5463 - 类别准确率: 0.3228



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1分01秒 1秒/步 - 损失: 36.5443 - 类别准确率: 0.3227



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1分00秒 1秒/步 - 损失: 36.5423 - 类别准确率: 0.3225



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步 - 损失: 36.5402 - 类别准确率: 0.3223



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步 - 损失: 36.5381 - 类别准确率: 0.3220



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 57秒 1秒/步 - 损失: 36.5362 - 类别准确率: 0.3218



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - 损失: 36.5354 - 类别准确率: 0.3215



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - 损失: 36.5343 - 类别准确率: 0.3212



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步 - 损失: 36.5330 - 类别准确率: 0.3209



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步 - 损失: 36.5316 - 类别准确率: 0.3207



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 52秒 1秒/步 - 损失: 36.5302 - 类别准确率: 0.3205



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步 - 损失: 36.5287 - 类别准确率: 0.3204



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - 损失: 36.5272 - 类别准确率: 0.3203



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - 损失: 36.5257 - 类别准确率: 0.3202



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步 - 损失: 36.5242 - 类别准确率: 0.3201



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 46秒 1秒/步 - 损失: 36.5229 - 类别准确率: 0.3200



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步 - 损失: 36.5216 - 类别准确率: 0.3199



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步 - 损失: 36.5203 - 类别准确率: 0.3197



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步 - 损失: 36.5188 - 类别准确率: 0.3196



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步 - 损失: 36.5173 - 类别准确率: 0.3195



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 41秒 1秒/步 - 损失: 36.5157 - 类别准确率: 0.3194



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步 - 损失: 36.5140 - 类别准确率: 0.3193



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步 - 损失: 36.5122 - 类别准确率: 0.3192



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步 - 损失: 36.5105 - 类别准确率: 0.3192



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37秒 1秒/步 - 损失: 36.5086 - 类别准确率: 0.3191



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 36秒 1秒/步 - 损失: 36.5067 - 类别准确率: 0.3191



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步 - 损失: 36.5048 - 类别准确率: 0.3191



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步 - 损失: 36.5030 - 类别准确率: 0.3191



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步 - 损失: 36.5011 - 类别准确率: 0.3191



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步 - 损失: 36.4993 - 类别准确率: 0.3191



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 31秒 1秒/步 - 损失: 36.4974 - 类别准确率: 0.3191



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步 - 损失: 36.4955 - 类别准确率: 0.3192



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步 - 损失: 36.4937 - 类别准确率: 0.3192



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步 - 损失: 36.4919 - 类别准确率: 0.3193



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步 - 损失: 36.4902 - 类别准确率: 0.3194



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 26秒 1秒/步 - 损失: 36.4886 - 类别准确率: 0.3194



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步 - 损失: 36.4871 - 类别准确率: 0.3194



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步 - 损失: 36.4858 - 类别准确率: 0.3194



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步 - 损失: 36.4845 - 类别准确率: 0.3195



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步 - 损失: 36.4834 - 类别准确率: 0.3195



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 21秒 1秒/步 - 损失: 36.4824 - 类别准确率: 0.3195



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步 - 损失: 36.4813 - 类别准确率: 0.3195



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - 损失: 36.4804 - 类别准确率: 0.3195



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - 损失: 36.4794 - 类别准确率: 0.3195



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - 损失: 36.4785 - 类别准确率: 0.3195



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步 - 损失: 36.4776 - 类别准确率: 0.3195



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - 损失: 36.4767 - 类别准确率: 0.3196



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步 - 损失: 36.4759 - 类别准确率: 0.3196



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - 损失: 36.4750 - 类别准确率: 0.3196



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - 损失: 36.4742 - 类别准确率: 0.3196



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - 损失: 36.4735 - 类别准确率: 0.3196



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - 损失: 36.4727 - 类别准确率: 0.3197



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - 损失: 36.4719 - 类别准确率: 0.3197



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - 损失: 36.4711 - 类别准确率: 0.3197



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - 损失: 36.4702 - 类别准确率: 0.3198



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - 损失: 36.4693 - 类别准确率: 0.3198



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - 损失: 36.4686 - 类别准确率: 0.3198



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - 损失: 36.4678 - 类别准确率: 0.3198



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - 损失: 36.4670 - 类别准确率: 0.3198



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - 损失: 36.4663 - 类别准确率: 0.3198



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - 损失: 36.4656 - 类别准确率: 0.3198



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - 损失: 36.4633 - 类别准确率: 0.3198



100/100 ━━━━━━━━━━━━━━━━━━━━ 107秒 1秒/步 - 损失: 36.4611 - 类别准确率: 0.3198 - 验证损失: 55461990629376.0000 - 验证类别准确率: 0.3805

Epoch 9/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分48秒 1秒/步 - 损失: 36.1902 - 类别准确率: 0.4062



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分42秒 1秒/步 - 损失: 36.1628 - 类别准确率: 0.3594



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分42秒 1秒/步 - 损失: 36.1877 - 类别准确率: 0.3438



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1分40秒 1秒/步 - 损失: 36.2174 - 类别准确率: 0.3320



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分38秒 1秒/步 - 损失: 36.2312 - 类别准确率: 0.3294



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分37秒 1秒/步 - 损失: 36.2290 - 类别准确率: 0.3309



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分36秒 1秒/步 - 损失: 36.2177 - 类别准确率: 0.3321



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分35秒 1秒/步 - 损失: 36.2049 - 类别准确率: 0.3331



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1分34秒 1秒/步 - 损失: 36.2052 - 类别准确率: 0.3319



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分32秒 1秒/步 - 损失: 36.2082 - 类别准确率: 0.3309



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分32秒 1秒/步 - 损失: 36.2106 - 类别准确率: 0.3298



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分31秒 1秒/步 - 损失: 36.2138 - 类别准确率: 0.3292



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分29秒 1秒/步 - 损失: 36.2142 - 类别准确率: 0.3288



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1分28秒 1秒/步 - 损失: 36.2186 - 类别准确率: 0.3282



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分27秒 1秒/步 - 损失: 36.2206 - 类别准确率: 0.3278



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分26秒 1秒/步 - 损失: 36.2294 - 类别准确率: 0.3283



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分25秒 1秒/步 - 损失: 36.2382 - 类别准确率: 0.3287



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分24秒 1秒/步 - 损失: 36.2450 - 类别准确率: 0.3294



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1分23秒 1秒/步 - 损失: 36.2496 - 类别准确率: 0.3303



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分22秒 1秒/步 - 损失: 36.2549 - 类别准确率: 0.3309



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1分21秒 1秒/步 - 损失: 36.2586 - 类别准确率: 0.3315



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:20 1秒/步 - 损失: 36.2609 - 稀疏分类准确率: 0.3324



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:19 1秒/步 - 损失: 36.2630 - 稀疏分类准确率: 0.3330



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:18 1秒/步 - 损失: 36.2647 - 稀疏分类准确率: 0.3333



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:17 1秒/步 - 损失: 36.2664 - 稀疏分类准确率: 0.3339



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步 - 损失: 36.2682 - 稀疏分类准确率: 0.3343



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 1秒/步 - 损失: 36.2697 - 稀疏分类准确率: 0.3344



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:14 1秒/步 - 损失: 36.2714 - 稀疏分类准确率: 0.3345



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:13 1秒/步 - 损失: 36.2728 - 稀疏分类准确率: 0.3344



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 1秒/步 - 损失: 36.2743 - 稀疏分类准确率: 0.3343



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步 - 损失: 36.2755 - 稀疏分类准确率: 0.3340



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1秒/步 - 损失: 36.2773 - 稀疏分类准确率: 0.3338



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:09 1秒/步 - 损失: 36.2785 - 稀疏分类准确率: 0.3337



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:08 1秒/步 - 损失: 36.2792 - 稀疏分类准确率: 0.3336



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步 - 损失: 36.2797 - 稀疏分类准确率: 0.3336



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1秒/步 - 损失: 36.2802 - 稀疏分类准确率: 0.3336



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1秒/步 - 损失: 36.2807 - 稀疏分类准确率: 0.3336



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:03 1秒/步 - 损失: 36.2810 - 稀疏分类准确率: 0.3336



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:02 1秒/步 - 损失: 36.2810 - 稀疏分类准确率: 0.3336



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步 - 损失: 36.2809 - 稀疏分类准确率: 0.3336



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步 - 损失: 36.2809 - 稀疏分类准确率: 0.3336



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步 - 损失: 36.2820 - 稀疏分类准确率: 0.3336



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步 - 损失: 36.2831 - 稀疏分类准确率: 0.3337



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 57秒 1秒/步 - 损失: 36.2839 - 稀疏分类准确率: 0.3337



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - 损失: 36.2848 - 稀疏分类准确率: 0.3337



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - 损失: 36.2857 - 稀疏分类准确率: 0.3336



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步 - 损失: 36.2874 - 稀疏分类准确率: 0.3335



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步 - 损失: 36.2893 - 稀疏分类准确率: 0.3335



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 52秒 1秒/步 - 损失: 36.2912 - 稀疏分类准确率: 0.3334



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步 - 损失: 36.2930 - 稀疏分类准确率: 0.3333



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - 损失: 36.2946 - 稀疏分类准确率: 0.3334



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - 损失: 36.2961 - 稀疏分类准确率: 0.3334



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步 - 损失: 36.2975 - 稀疏分类准确率: 0.3334



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 47秒 1秒/步 - 损失: 36.2989 - 稀疏分类准确率: 0.3334



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步 - 损失: 36.3000 - 稀疏分类准确率: 0.3335



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步 - 损失: 36.3012 - 稀疏分类准确率: 0.3336