Python 每个历元后神经网络的精度评价

这是我用PyTorch在one-by的基础上制作的神经网络。我正在使用大学课程管理员提供给我的数据集，该数据集是通过函数

获取奇怪符号加载程序（batch\u size=128）

导入的

当我运行这段代码时，它告诉我每个时代的精度都应该是

1.0

。然而，在包含epoch的for循环迭代之后运行#测试块会给出更现实的结果。为什么会发生这种情况

---

我在这里的目标是根据历元数绘制测试精度图，以便在模型开始过度拟合之前找到最佳历元数

您正在增加块中的

correct

和

total

from dataset import get_strange_symbol_loader, get_strange_symbols_test_data
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim


class Net(nn.Module):
   def __init__(self):
    super().__init__()
    self.fc1 = nn.Linear(28*28, 512)
    self.fc2 = nn.Linear(512, 256)
    self.fc3 = nn.Linear(256, 15)

def forward(self,x):
    x = F.relu(self.fc1(x))
    x = F.relu(self.fc2(x))
    x = self.fc3(x)

    return F.softmax(x, dim=1)


if __name__ == '__main__':
   net = Net()
   train, test = get_strange_symbol_loader(batch_size=128)
   loss_function = nn.CrossEntropyLoss()
   optimizer = optim.Adam(net.parameters(), lr=1e-3)
   Accuracy = []

   for epoch in range(30):   
       print("epoch",epoch)
       #Train
       for data in train:
           img, label = data  
           net.zero_grad()
           output = net(img.view(-1,28*28))
           loss = F.nll_loss(output, label)
           loss.backward()
           optimizer.step()
       #Test    
       correct, total = 0, 0
       with torch.no_grad():
          for data in test:
               img, label = data
               output = net(img.view(-1,784))
               for idx, i in enumerate(output):
                   if torch.argmax(i) == label[idx]:
                       correct += 1
                       total += 1
       Accuracy.append(round(correct/total, 3))
       print("Accuracy: ",Accuracy)

因此，两者的值总是相同的，一个除以另一个得到1.0

检查您的计划，我认为从

total+=1

中删除一个选项卡就可以了

---

编辑：我假设“在…之后运行#测试块”是指您运行另一个可能不同的代码段（可能是正确的意图）

请更具体一些。代码在哪里告诉你“每个时代的准确度都应该是1.0”？为什么会发生这种情况呢？我的意思是，在for循环之后在各个时代运行测试块会返回一个更可信的精度，比如85%

if torch.argmax(i) == label[idx]:
    correct += 1
    total += 1