點雲與 PointNet 進行分類

作者： David Griffiths
建立日期 2020/05/25
最後修改日期 2024/01/09
描述： PointNet 於 ModelNet10 分類的實作。

在 Colab 中檢視 • GitHub 原始碼

點雲分類

簡介

非結構化 3D 點集（即點雲）的分類、偵測和分割是電腦視覺中的核心問題。此範例實作了開創性的點雲深度學習論文 PointNet (Qi et al., 2017)。 有關 PointNet 的詳細介紹，請參閱 此部落格文章。

設定

如果使用 colab，請先使用 !pip install trimesh 安裝 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)

載入資料集

我們使用 ModelNet10 模型資料集，它是 ModelNet40 資料集的較小 10 類版本。首先下載資料

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

我們可以使用 trimesh 套件來讀取和視覺化 .off 網格檔案。

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

若要將網格檔案轉換為點雲，我們首先需要在網格表面上採樣點。.sample() 執行均勻隨機採樣。在這裡，我們在 2048 個位置進行採樣，並在 matplotlib 中視覺化。

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()

若要產生 tf.data.Dataset()，我們需要先解析 ModelNet 資料夾。每個網格都會被載入並採樣成點雲，然後添加到標準 python 列表並轉換為 numpy 陣列。我們也會將目前的 enumerate 索引值儲存為物件標籤，並使用字典稍後回調此資訊。

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,
    )

設定要採樣的點數和批次大小，並解析資料集。這可能需要約 5 分鐘才能完成。

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

我們的資料現在可以讀取到 tf.data.Dataset() 物件中。我們將 shuffle 緩衝區大小設定為整個資料集的大小，因為在此之前資料是按類別排序的。使用點雲資料時，資料擴增非常重要。我們建立一個擴增函數來抖動和洗牌訓練資料集。

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)

建立模型

每個卷積層和全連接層（末端層除外）都包含卷積/密集 -> 批次正規化 -> ReLU 激活。

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 由兩個核心組件組成：主要 MLP 網路和 Transformer 網路 (T-net)。T-net 旨在透過自己的迷你網路學習仿射轉換矩陣。T-net 使用兩次。第一次是將輸入特徵 (n, 3) 轉換為標準表示。第二次是仿射轉換，用於在特徵空間中對齊 (n, 3)。根據原始論文，我們將轉換限制為接近正交矩陣（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))

接著我們可以定義一個通用函數來建立 T-net 層。

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])

然後可以用相同的方式實作主網路，其中 t-net 迷你模型可以放在圖形中的層中。在這裡，我們複製原始論文中發表的網路架構，但由於我們使用的是較小的 10 類 ModelNet 資料集，因此每層的權重數量減半。

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)

訓練模型

一旦定義了模型，就可以像任何其他標準分類模型一樣使用 .compile() 和 .fit() 進行訓練。

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 1s/step - loss: 36.7235 - sparse_categorical_accuracy: 0.2196



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:19 1s/step - loss: 36.7189 - sparse_categorical_accuracy: 0.2218



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:18 1s/step - loss: 36.7141 - sparse_categorical_accuracy: 0.2241



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:17 1s/step - loss: 36.7087 - sparse_categorical_accuracy: 0.2262



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1s/step - loss: 36.7027 - sparse_categorical_accuracy: 0.2283



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 1s/step - loss: 36.6970 - sparse_categorical_accuracy: 0.2303



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:14 1s/step - loss: 36.6911 - sparse_categorical_accuracy: 0.2325



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:13 1s/step - loss: 36.6862 - sparse_categorical_accuracy: 0.2342



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:12 1s/step - loss: 36.6818 - sparse_categorical_accuracy: 0.2357



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1s/step - loss: 36.6766 - sparse_categorical_accuracy: 0.2372



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1s/step - loss: 36.6717 - sparse_categorical_accuracy: 0.2387



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:09 1s/step - loss: 36.6670 - sparse_categorical_accuracy: 0.2403



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:08 1s/step - loss: 36.6629 - sparse_categorical_accuracy: 0.2418



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:07 1s/step - loss: 36.6591 - sparse_categorical_accuracy: 0.2431



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1s/step - loss: 36.6551 - sparse_categorical_accuracy: 0.2444



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1秒/步驟 - 損失: 36.6513 - 稀疏類別準確度: 0.2456



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1秒/步驟 - 損失: 36.6478 - 稀疏類別準確度: 0.2467



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:03 1秒/步驟 - 損失: 36.6441 - 稀疏類別準確度: 0.2477



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:02 1秒/步驟 - 損失: 36.6405 - 稀疏類別準確度: 0.2487



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步驟 - 損失: 36.6368 - 稀疏類別準確度: 0.2497



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步驟 - 損失: 36.6331 - 稀疏類別準確度: 0.2507



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步驟 - 損失: 36.6330 - 稀疏類別準確度: 0.2515



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步驟 - 損失: 36.6330 - 稀疏類別準確度: 0.2523



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 57秒 1秒/步驟 - 損失: 36.6331 - 稀疏類別準確度: 0.2531



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步驟 - 損失: 36.6330 - 稀疏類別準確度: 0.2538



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步驟 - 損失: 36.6330 - 稀疏類別準確度: 0.2546



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步驟 - 損失: 36.6330 - 稀疏類別準確度: 0.2554



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步驟 - 損失: 36.6330 - 稀疏類別準確度: 0.2561



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 52秒 1秒/步驟 - 損失: 36.6331 - 稀疏類別準確度: 0.2568



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步驟 - 損失: 36.6331 - 稀疏類別準確度: 0.2575



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步驟 - 損失: 36.6332 - 稀疏類別準確度: 0.2582



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步驟 - 損失: 36.6332 - 稀疏類別準確度: 0.2588



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步驟 - 損失: 36.6331 - 稀疏類別準確度: 0.2594



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 47秒 1秒/步驟 - 損失: 36.6330 - 稀疏類別準確度: 0.2600



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步驟 - 損失: 36.6329 - 稀疏類別準確度: 0.2606



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步驟 - 損失: 36.6331 - 稀疏類別準確度: 0.2612



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步驟 - 損失: 36.6332 - 稀疏類別準確度: 0.2618



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步驟 - 損失: 36.6332 - 稀疏類別準確度: 0.2624



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步驟 - 損失: 36.6331 - 稀疏類別準確度: 0.2630



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步驟 - 損失: 36.6331 - 稀疏類別準確度: 0.2636



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步驟 - 損失: 36.6330 - 稀疏類別準確度: 0.2641



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步驟 - 損失: 36.6330 - 稀疏類別準確度: 0.2646



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步驟 - 損失: 36.6329 - 稀疏類別準確度: 0.2652



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37秒 1秒/步驟 - 損失: 36.6329 - 稀疏類別準確度: 0.2657



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36秒 1秒/步驟 - 損失: 36.6330 - 稀疏類別準確度: 0.2662



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步驟 - 損失: 36.6332 - 稀疏類別準確度: 0.2667



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步驟 - 損失: 36.6336 - 稀疏類別準確度: 0.2671



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步驟 - 損失: 36.6340 - 稀疏類別準確度: 0.2674



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步驟 - 損失: 36.6346 - 稀疏類別準確度: 0.2678



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步驟 - 損失: 36.6352 - 稀疏類別準確度: 0.2682



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步驟 - 損失: 36.6359 - 稀疏類別準確度: 0.2685



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步驟 - 損失: 36.6365 - 稀疏類別準確度: 0.2688



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步驟 - 損失: 36.6371 - 稀疏類別準確度: 0.2690



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 26秒 1秒/步驟 - 損失: 36.6377 - 稀疏類別準確度: 0.2693



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步驟 - 損失: 36.6384 - 稀疏類別準確度: 0.2696



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步驟 - 損失: 36.6389 - 稀疏類別準確度: 0.2698



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步驟 - 損失: 36.6394 - 稀疏類別準確度: 0.2700



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步驟 - 損失: 36.6398 - 稀疏類別準確度: 0.2703



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 21秒 1秒/步驟 - 損失: 36.6401 - 稀疏類別準確度: 0.2706



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步驟 - 損失: 36.6406 - 稀疏類別準確度: 0.2708



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步驟 - 損失: 36.6411 - 稀疏類別準確度: 0.2710



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步驟 - 損失: 36.6415 - 稀疏類別準確度: 0.2712



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步驟 - 損失: 36.6419 - 稀疏類別準確度: 0.2714



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步驟 - 損失: 36.6423 - 稀疏類別準確度: 0.2716



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步驟 - 損失: 36.6426 - 稀疏類別準確度: 0.2718



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步驟 - 損失: 36.6429 - 稀疏類別準確度: 0.2720



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步驟 - 損失: 36.6431 - 稀疏類別準確度: 0.2723



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步驟 - 損失: 36.6432 - 稀疏類別準確度: 0.2725



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步驟 - 損失: 36.6433 - 稀疏類別準確度: 0.2727



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步驟 - 損失: 36.6434 - 稀疏類別準確度: 0.2730



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步驟 - 損失: 36.6435 - 稀疏類別準確度: 0.2732



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步驟 - 損失: 36.6435 - 稀疏類別準確度: 0.2734



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步驟 - 損失: 36.6434 - 稀疏類別準確度: 0.2736



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步驟 - 損失: 36.6432 - 稀疏類別準確度: 0.2738



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步驟 - 損失: 36.6430 - 稀疏類別準確度: 0.2740



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步驟 - 損失: 36.6427 - 稀疏類別準確度: 0.2742



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步驟 - 損失: 36.6424 - 稀疏類別準確度: 0.2744



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步驟 - 損失: 36.6421 - 稀疏類別準確度: 0.2746



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步驟 - 損失: 36.6418 - 稀疏類別準確度: 0.2748



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步驟 - 損失: 36.6402 - 稀疏類別準確度: 0.2749



100/100 ━━━━━━━━━━━━━━━━━━━━ 108秒 1秒/步驟 - 損失: 36.6386 - 稀疏類別準確度: 0.2751 - 驗證損失: 20961250112658389073920.0000 - 驗證稀疏類別準確度: 0.3191

Epoch 3/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 57:33 35秒/步驟 - 損失: 35.9745 - 稀疏類別準確度: 0.3438



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:39 1秒/步驟 - 損失: 36.1432 - 稀疏類別準確度: 0.3359



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:38 1秒/步驟 - 損失: 36.1628 - 稀疏類別準確度: 0.3420



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:39 1秒/步驟 - 損失: 36.1912 - 稀疏類別準確度: 0.3424



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:38 1秒/步驟 - 損失: 36.2222 - 稀疏類別準確度: 0.3390



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:37 1秒/步驟 - 損失: 36.2318 - 稀疏類別準確度: 0.3345



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:36 1秒/步驟 - 損失: 36.2484 - 稀疏類別準確度: 0.3301



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:35 1秒/步驟 - 損失: 36.2639 - 稀疏類別準確度: 0.3284



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:33 1秒/步驟 - 損失: 36.2697 - 稀疏類別準確度: 0.3282



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:33 1秒/步驟 - 損失: 36.2697 - 稀疏類別準確度: 0.3304



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:32 1秒/步驟 - 損失: 36.2697 - 稀疏類別準確度: 0.3316



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:30 1秒/步驟 - 損失: 36.2714 - 稀疏類別準確度: 0.3319



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:29 1秒/步驟 - 損失: 36.2731 - 稀疏類別準確度: 0.3319



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:28 1秒/步驟 - 損失: 36.2716 - 稀疏類別準確度: 0.3325



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:27 1秒/步驟 - 損失: 36.2714 - 稀疏類別準確度: 0.3327



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 1秒/步驟 - 損失: 36.2703 - 稀疏類別準確度: 0.3325



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:25 1秒/步驟 - 損失: 36.2685 - 稀疏類別準確度: 0.3322



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:24 1秒/步驟 - 損失: 36.2665 - 稀疏類別準確度: 0.3322



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:23 1秒/步驟 - 損失: 36.2672 - 稀疏類別準確度: 0.3320



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步驟 - 損失: 36.2689 - 稀疏類別準確度: 0.3316



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步驟 - 損失: 36.2700 - 稀疏類別準確度: 0.3311



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:21 1秒/步驟 - 損失: 36.2712 - 稀疏類別準確度: 0.3307



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:20 1秒/步驟 - 損失: 36.2732 - 稀疏類別準確度: 0.3301



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:19 1秒/步驟 - 損失: 36.2753 - 稀疏類別準確度: 0.3293



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:18 1秒/步驟 - 損失: 36.2772 - 稀疏類別準確度: 0.3284



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步驟 - 損失: 36.2789 - 稀疏類別準確度: 0.3275



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 1秒/步驟 - 損失: 36.2803 - 稀疏類別準確度: 0.3266



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:14 1秒/步驟 - 損失: 36.2832 - 稀疏類別準確度: 0.3258



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:13 1秒/步驟 - 損失: 36.2886 - 稀疏類別準確度: 0.3251



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 1秒/步驟 - 損失: 36.2944 - 稀疏類別準確度: 0.3245



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步驟 - 損失: 36.3001 - 稀疏類別準確度: 0.3237



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1秒/步驟 - 損失: 36.3053 - 稀疏類別準確度: 0.3231



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:09 1秒/步驟 - 損失: 36.3102 - 稀疏類別準確度: 0.3226



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:08 1秒/步驟 - 損失: 36.3150 - 稀疏類別準確度: 0.3221



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:07 1秒/步驟 - 損失: 36.3196 - 稀疏類別準確度: 0.3216



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步驟 - 損失: 36.3239 - 稀疏類別準確度: 0.3212



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1秒/步驟 - 損失: 36.3281 - 稀疏類別準確度: 0.3209



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1秒/步驟 - 損失: 36.3322 - 稀疏類別準確度: 0.3204



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:03 1秒/步驟 - 損失: 36.3358 - 稀疏類別準確度: 0.3201



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:02 1秒/步驟 - 損失: 36.3392 - 稀疏類別準確度: 0.3199



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步驟 - 損失: 36.3423 - 稀疏類別準確度: 0.3196



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步驟 - 損失: 36.3453 - 稀疏類別準確度: 0.3195



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步驟 - 損失: 36.3482 - 稀疏類別準確度: 0.3193



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 57秒 1秒/步驟 - 損失: 36.3509 - 稀疏類別準確度: 0.3193



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步驟 - 損失: 36.3534 - 稀疏類別準確度: 0.3192



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步驟 - 損失: 36.3557 - 稀疏類別準確度: 0.3191



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步驟 - 損失: 36.3577 - 稀疏類別準確度: 0.3191



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步驟 - 損失: 36.3597 - 稀疏類別準確度: 0.3190



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 52秒 1秒/步驟 - 損失: 36.3617 - 稀疏類別準確度: 0.3188



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步驟 - 損失: 36.3636 - 稀疏類別準確度: 0.3186



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步驟 - 損失: 36.3654 - 稀疏類別準確度: 0.3183



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步驟 - 損失: 36.3671 - 稀疏類別準確度: 0.3181



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步驟 - 損失: 36.3687 - 稀疏類別準確度: 0.3179



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 47秒 1秒/步驟 - 損失: 36.3705 - 稀疏類別準確度: 0.3177



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步驟 - 損失: 36.3723 - 稀疏類別準確度: 0.3175



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步驟 - 損失: 36.3744 - 稀疏類別準確度: 0.3173



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步驟 - 損失: 36.3764 - 稀疏類別準確度: 0.3171



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步驟 - 損失: 36.3784 - 稀疏類別準確度: 0.3170



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步驟 - 損失: 36.3805 - 稀疏類別準確度: 0.3168



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步驟 - 損失: 36.3824 - 稀疏類別準確度: 0.3167



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步驟 - 損失: 36.3843 - 稀疏類別準確度: 0.3166



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步驟 - 損失: 36.3862 - 稀疏類別準確度: 0.3165



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步驟 - 損失: 36.3879 - 稀疏類別準確度: 0.3164



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37秒 1秒/步驟 - 損失: 36.3893 - 稀疏類別準確度: 0.3163



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36秒 1秒/步驟 - 損失: 36.3907 - 稀疏類別準確度: 0.3163



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步驟 - 損失: 36.3921 - 稀疏類別準確度: 0.3162



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步驟 - 損失: 36.3933 - 稀疏類別準確度: 0.3162



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步驟 - 損失: 36.3944 - 稀疏類別準確度: 0.3161



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步驟 - 損失: 36.3953 - 稀疏類別準確度: 0.3161



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 31秒 1秒/步驟 - 損失: 36.3962 - 稀疏類別準確度: 0.3160



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步驟 - 損失: 36.3971 - 稀疏類別準確度: 0.3160



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步驟 - 損失: 36.3978 - 稀疏類別準確度: 0.3159



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步驟 - 損失: 36.3986 - 稀疏類別準確度: 0.3159



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 26秒 1秒/步驟 - 損失: 36.3994 - 稀疏類別準確度: 0.3158



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步驟 - 損失: 36.4003 - 稀疏類別準確度: 0.3157



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步驟 - 損失: 36.4011 - 稀疏類別準確度: 0.3157



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步驟 - 損失: 36.4019 - 稀疏類別準確度: 0.3156



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步驟 - 損失: 36.4026 - 稀疏類別準確度: 0.3156



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 21秒 1秒/步驟 - 損失: 36.4032 - 稀疏類別準確度: 0.3155



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步驟 - 損失: 36.4038 - 稀疏類別準確度: 0.3155



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步驟 - 損失: 36.4045 - 稀疏類別準確度: 0.3155



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步驟 - 損失: 36.4051 - 稀疏類別準確度: 0.3154



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步驟 - 損失: 36.4058 - 稀疏類別準確度: 0.3154



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步驟 - 損失: 36.4066 - 稀疏類別準確度: 0.3154



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步驟 - 損失: 36.4072 - 稀疏類別準確度: 0.3154



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步驟 - 損失: 36.4079 - 稀疏類別準確度: 0.3154



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步驟 - 損失: 36.4085 - 稀疏類別準確度: 0.3154



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步驟 - 損失: 36.4091 - 稀疏類別準確度: 0.3154



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步驟 - 損失: 36.4097 - 稀疏類別準確度: 0.3154



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步驟 - 損失: 36.4104 - 稀疏類別準確度: 0.3154



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步驟 - 損失: 36.4110 - 稀疏類別準確度: 0.3154



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步驟 - 損失: 36.4117 - 稀疏類別準確度: 0.3153



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步驟 - 損失: 36.4123 - 稀疏類別準確度: 0.3153



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步驟 - 損失: 36.4129 - 稀疏類別準確度: 0.3152



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步驟 - 損失: 36.4135 - 稀疏類別準確度: 0.3152



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步驟 - 損失: 36.4142 - 稀疏類別準確度: 0.3152



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步驟 - 損失: 36.4150 - 稀疏類別準確度: 0.3151



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步驟 - 損失: 36.4157 - 稀疏類別準確度: 0.3151



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步驟 - 損失: 36.4164 - 稀疏類別準確度: 0.3151



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步驟 - 損失: 36.4156 - 稀疏類別準確度: 0.3150



100/100 ━━━━━━━━━━━━━━━━━━━━ 142秒 1秒/步驟 - 損失: 36.4148 - 稀疏類別準確度: 0.3150 - 驗證損失: 14661139300352.0000 - 驗證稀疏類別準確度: 0.2240

Epoch 4/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:40 1秒/步驟 - 損失: 36.7380 - 稀疏類別準確度: 0.5312



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:40 1秒/步驟 - 損失: 36.7969 - 稀疏類別準確度: 0.4844



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:38 1秒/步驟 - 損失: 36.7860 - 稀疏類別準確度: 0.4653



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:36 1秒/步驟 - 損失: 36.7852 - 稀疏類別準確度: 0.4447



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:35 1秒/步驟 - 損失: 36.7560 - 稀疏類別準確度: 0.4370



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:35 1秒/步驟 - 損失: 36.7412 - 稀疏類別準確度: 0.4293



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:34 1秒/步驟 - 損失: 36.7300 - 稀疏類別準確度: 0.4221



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:33 1秒/步驟 - 損失: 36.7233 - 稀疏類別準確度: 0.4148



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:32 1秒/步驟 - 損失: 36.7190 - 稀疏類別準確度: 0.4073



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:31 1秒/步驟 - 損失: 36.7201 - 稀疏類別準確度: 0.3990



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:30 1秒/步驟 - 損失: 36.7176 - 稀疏類別準確度: 0.3925



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:30 1秒/步驟 - 損失: 36.7097 - 稀疏類別準確度: 0.3882



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:29 1秒/步驟 - 損失: 36.7017 - 稀疏類別準確度: 0.3850



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:28 1秒/步驟 - 損失: 36.6936 - 稀疏類別準確度: 0.3819



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:27 1秒/步驟 - 損失: 36.6858 - 稀疏類別準確度: 0.3786



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 1秒/步驟 - 損失: 36.6785 - 稀疏類別準確度: 0.3752



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 1秒/步驟 - 損失: 36.6711 - 稀疏類別準確度: 0.3723



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:24 1秒/步驟 - 損失: 36.6637 - 稀疏類別準確度: 0.3695



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:23 1秒/步驟 - 損失: 36.6692 - 稀疏類別準確度: 0.3668



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步驟 - 損失: 36.6728 - 稀疏類別準確度: 0.3647



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:21 1秒/步驟 - 損失: 36.6748 - 稀疏類別準確度: 0.3631



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:20 1秒/步驟 - 損失: 36.6766 - 稀疏類別準確度: 0.3616



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:19 1秒/步驟 - 損失: 36.6783 - 稀疏類別準確度: 0.3601



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:18 1秒/步驟 - 損失: 36.6799 - 稀疏類別準確度: 0.3588



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:17 1秒/步驟 - 損失: 36.6818 - 稀疏類別準確度: 0.3576



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步驟 - 損失: 36.6836 - 稀疏類別準確度: 0.3565



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 1秒/步驟 - 損失: 36.6852 - 稀疏類別準確度: 0.3555



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:14 1秒/步驟 - 損失: 36.6879 - 稀疏類別準確度: 0.3545



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:13 1秒/步驟 - 損失: 36.6908 - 稀疏類別準確度: 0.3535



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 1秒/步驟 - 損失: 36.6939 - 稀疏類別準確度: 0.3525



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步驟 - 損失: 36.6971 - 稀疏類別準確度: 0.3515



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1秒/步驟 - 損失: 36.7002 - 稀疏類別準確度: 0.3506



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:09 1秒/步驟 - 損失: 36.7032 - 稀疏類別準確度: 0.3498



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:08 1秒/步驟 - 損失: 36.7059 - 稀疏類別準確度: 0.3492



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:07 1秒/步驟 - 損失: 36.7085 - 稀疏類別準確度: 0.3487



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步驟 - 損失: 36.7110 - 稀疏類別準確度: 0.3481



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1秒/步驟 - 損失: 36.7138 - 稀疏類別準確度: 0.3476



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1秒/步驟 - 損失: 36.7167 - 稀疏類別準確度: 0.3472



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:03 1秒/步驟 - 損失: 36.7196 - 稀疏類別準確度: 0.3468



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:02 1秒/步驟 - 損失: 36.7225 - 稀疏類別準確度: 0.3463



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步驟 - 損失: 36.7254 - 稀疏類別準確度: 0.3459



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步驟 - 損失: 36.7283 - 稀疏類別準確度: 0.3455



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步驟 - 損失: 36.7311 - 稀疏類別準確度: 0.3450



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步驟 - 損失: 36.7339 - 稀疏類別準確度: 0.3446



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 57秒 1秒/步驟 - 損失: 36.7364 - 稀疏類別準確度: 0.3441



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步驟 - 損失: 36.7387 - 稀疏類別準確度: 0.3437



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步驟 - 損失: 36.7410 - 稀疏類別準確度: 0.3432



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步驟 - 損失: 36.7433 - 稀疏類別準確度: 0.3428



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步驟 - 損失: 36.7454 - 稀疏類別準確度: 0.3424



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步驟 - 損失: 36.7475 - 稀疏類別準確度: 0.3420



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步驟 - 損失: 36.7496 - 稀疏類別準確度: 0.3416



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步驟 - 損失: 36.7515 - 稀疏類別準確度: 0.3413



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步驟 - 損失: 36.7532 - 稀疏類別準確度: 0.3410



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 47秒 1秒/步驟 - 損失: 36.7547 - 稀疏類別準確度: 0.3407



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步驟 - 損失: 36.7561 - 稀疏類別準確度: 0.3404



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步驟 - 損失: 36.7575 - 稀疏類別準確度: 0.3401



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步驟 - 損失: 36.7590 - 稀疏類別準確度: 0.3398



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步驟 - 損失: 36.7603 - 稀疏類別準確度: 0.3396



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步驟 - 損失: 36.7617 - 稀疏類別準確度: 0.3393



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步驟 - 損失: 36.7629 - 稀疏類別準確度: 0.3390



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步驟 - 損失: 36.7641 - 稀疏類別準確度: 0.3387



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步驟 - 損失: 36.7653 - 稀疏類別準確度: 0.3383



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步驟 - 損失: 36.7665 - 稀疏類別準確度: 0.3380



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37秒 1秒/步驟 - 損失: 36.7676 - 稀疏類別準確度: 0.3376



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36秒 1秒/步驟 - 損失: 36.7687 - 稀疏類別準確度: 0.3373



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步驟 - 損失: 36.7696 - 稀疏類別準確度: 0.3369



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步驟 - 損失: 36.7705 - 稀疏類別準確度: 0.3366



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步驟 - 損失: 36.7713 - 稀疏類別準確度: 0.3363



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步驟 - 損失: 36.7720 - 稀疏類別準確度: 0.3360



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 31秒 1秒/步驟 - 損失: 36.7725 - 稀疏類別準確度: 0.3357



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步驟 - 損失: 36.7730 - 稀疏類別準確度: 0.3354



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步驟 - 損失: 36.7734 - 稀疏類別準確度: 0.3352



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步驟 - 損失: 36.7736 - 稀疏類別準確度: 0.3350



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步驟 - 損失: 36.7739 - 稀疏類別準確度: 0.3348



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 26秒 1秒/步驟 - 損失: 36.7742 - 稀疏類別準確度: 0.3345



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步驟 - 損失: 36.7744 - 稀疏類別準確度: 0.3343



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步驟 - 損失: 36.7746 - 稀疏類別準確度: 0.3340



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步驟 - 損失: 36.7747 - 稀疏類別準確度: 0.3338



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步驟 - 損失: 36.7747 - 稀疏類別準確度: 0.3335



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步驟 - 損失: 36.7747 - 稀疏類別準確度: 0.3333



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步驟 - 損失: 36.7746 - 稀疏類別準確度: 0.3330



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步驟 - 損失: 36.7745 - 稀疏類別準確度: 0.3328



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步驟 - 損失: 36.7743 - 稀疏類別準確度: 0.3325



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步驟 - 損失: 36.7741 - 稀疏類別準確度: 0.3322



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步驟 - 損失: 36.7739 - 稀疏類別準確度: 0.3320



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步驟 - 損失: 36.7737 - 稀疏類別準確度: 0.3317



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步驟 - 損失: 36.7735 - 稀疏類別準確度: 0.3315



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步驟 - 損失: 36.7732 - 稀疏類別準確度: 0.3312



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步驟 - 損失: 36.7729 - 稀疏類別準確度: 0.3310



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步驟 - 損失: 36.7727 - 稀疏類別準確度: 0.3307



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步驟 - 損失: 36.7724 - 稀疏類別準確度: 0.3305



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步驟 - 損失: 36.7721 - 稀疏類別準確度: 0.3303



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步驟 - 損失: 36.7718 - 稀疏類別準確度: 0.3300



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步驟 - 損失: 36.7714 - 稀疏類別準確度: 0.3298



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步驟 - 損失: 36.7711 - 稀疏類別準確度: 0.3296



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步驟 - 損失: 36.7707 - 稀疏類別準確度: 0.3294



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步驟 - 損失: 36.7704 - 稀疏類別準確度: 0.3293



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步驟 - 損失: 36.7701 - 稀疏類別準確度: 0.3291



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步驟 - 損失: 36.7697 - 稀疏類別準確度: 0.3289



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步驟 - 損失: 36.7677 - 稀疏類別準確度: 0.3288



100/100 ━━━━━━━━━━━━━━━━━━━━ 110秒 1秒/步驟 - 損失: 36.7658 - 稀疏類別準確度: 0.3286 - 驗證損失: 2640681721921536.0000 - 驗證稀疏類別準確度: 0.3542

Epoch 5/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:43 1秒/步驟 - 損失: 36.6004 - 稀疏類別準確度: 0.2188



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:42 1秒/步驟 - 損失: 36.5184 - 稀疏類別準確度: 0.2734



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:43 1秒/步驟 - 損失: 36.4827 - 稀疏類別準確度: 0.2969



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:42 1秒/步驟 - 損失: 36.4396 - 稀疏類別準確度: 0.3086



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:42 1秒/步驟 - 損失: 36.4243 - 稀疏類別準確度: 0.3131



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:40 1秒/步驟 - 損失: 36.4060 - 稀疏類別準確度: 0.3165



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:38 1秒/步驟 - 損失: 36.4471 - 稀疏類別準確度: 0.3178



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:37 1秒/步驟 - 損失: 36.4807 - 稀疏類別準確度: 0.3177



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:36 1秒/步驟 - 損失: 36.5028 - 稀疏類別準確度: 0.3163



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:35 1秒/步驟 - 損失: 36.5155 - 稀疏類別準確度: 0.3162



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:34 1秒/步驟 - 損失: 36.5232 - 稀疏類別準確度: 0.3151



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:33 1秒/步驟 - 損失: 36.5263 - 稀疏類別準確度: 0.3147



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:32 1秒/步驟 - 損失: 36.5277 - 稀疏類別準確度: 0.3145



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:32 1秒/步驟 - 損失: 36.5289 - 稀疏類別準確度: 0.3139



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:31 1秒/步驟 - 損失: 36.5328 - 稀疏類別準確度: 0.3130



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:30 1秒/步驟 - 損失: 36.5365 - 稀疏類別準確度: 0.3120



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:29 1秒/步驟 - 損失: 36.5411 - 稀疏類別準確度: 0.3116



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:28 1秒/步驟 - 損失: 36.5457 - 稀疏類別準確度: 0.3119



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:27 1秒/步驟 - 損失: 36.5504 - 稀疏類別準確度: 0.3127



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:26 1秒/步驟 - 損失: 36.5570 - 稀疏類別準確度: 0.3130



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:25 1秒/步驟 - 損失: 36.5644 - 稀疏類別準確度: 0.3134



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:23 1秒/步驟 - 損失: 36.5724 - 稀疏類別準確度: 0.3134



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步驟 - 損失: 36.5828 - 稀疏類別準確度: 0.3136



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:21 1秒/步驟 - 損失: 36.6011 - 稀疏類別準確度: 0.3138



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:20 1秒/步驟 - 損失: 36.6181 - 稀疏類別準確度: 0.3137



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:19 1秒/步驟 - 損失: 36.6334 - 稀疏類別準確度: 0.3140



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:18 1秒/步驟 - 損失: 36.6477 - 稀疏類別準確度: 0.3142



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:17 1秒/步驟 - 損失: 36.6605 - 稀疏類別準確度: 0.3147



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步驟 - 損失: 36.6723 - 稀疏類別準確度: 0.3149



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:15 1秒/步驟 - 損失: 36.6831 - 稀疏類別準確度: 0.3153



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:14 1秒/步驟 - 損失: 36.6929 - 稀疏類別準確度: 0.3157



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:13 1秒/步驟 - 損失: 36.7023 - 稀疏類別準確度: 0.3160



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 1秒/步驟 - 損失: 36.7110 - 稀疏類別準確度: 0.3161



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步驟 - 損失: 36.7188 - 稀疏類別準確度: 0.3161



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:10 1秒/步驟 - 損失: 36.7264 - 稀疏類別準確度: 0.3161



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:09 1秒/步驟 - 損失: 36.7333 - 稀疏類別準確度: 0.3160



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:08 1秒/步驟 - 損失: 36.7404 - 稀疏類別準確度: 0.3160



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:07 1秒/步驟 - 損失: 36.7483 - 稀疏類別準確度: 0.3158



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步驟 - 損失: 36.7558 - 稀疏類別準確度: 0.3156



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:05 1秒/步驟 - 損失: 36.7629 - 稀疏類別準確度: 0.3155



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:04 1秒/步驟 - 損失: 36.7698 - 稀疏類別準確度: 0.3153



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:03 1秒/步驟 - 損失: 36.7760 - 稀疏類別準確度: 0.3151



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步驟 - 損失: 36.7818 - 稀疏類別準確度: 0.3150



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步驟 - 損失: 36.7870 - 稀疏類別準確度: 0.3149



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 59秒 1秒/步驟 - 損失: 36.7922 - 稀疏類別準確度: 0.3147



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 58秒 1秒/步驟 - 損失: 36.7971 - 稀疏類別準確度: 0.3145



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 57秒 1秒/步驟 - 損失: 36.8016 - 稀疏類別準確度: 0.3144



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步驟 - 損失: 36.8057 - 稀疏類別準確度: 0.3143



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步驟 - 損失: 36.8098 - 稀疏類別準確度: 0.3142



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 54秒 1秒/步驟 - 損失: 36.8136 - 稀疏類別準確度: 0.3141



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 53秒 1秒/步驟 - 損失: 36.8172 - 稀疏類別準確度: 0.3141



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 52秒 1秒/步驟 - 損失: 36.8203 - 稀疏類別準確度: 0.3141



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步驟 - 損失: 36.8234 - 稀疏類別準確度: 0.3141



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步驟 - 損失: 36.8262 - 稀疏類別準確度: 0.3141



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 48秒 1秒/步驟 - 損失: 36.8288 - 稀疏類別準確度: 0.3140



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 47秒 1秒/步驟 - 損失: 36.8313 - 稀疏類別準確度: 0.3140



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步驟 - 損失: 36.8338 - 稀疏類別準確度: 0.3139



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步驟 - 損失: 36.8362 - 稀疏類別準確度: 0.3139



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步驟 - 損失: 36.8383 - 稀疏類別準確度: 0.3139



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 43秒 1秒/步驟 - 損失: 36.8402 - 稀疏類別準確度: 0.3138



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 42秒 1秒/步驟 - 損失: 36.8420 - 稀疏類別準確度: 0.3137



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步驟 - 損失: 36.8436 - 稀疏類別準確度: 0.3137



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步驟 - 損失: 36.8450 - 稀疏類別準確度: 0.3136



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步驟 - 損失: 36.8501 - 稀疏類別準確度: 0.3135



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 37秒 1秒/步驟 - 損失: 36.8548 - 稀疏類別準確度: 0.3134



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36秒 1秒/步驟 - 損失: 36.8594 - 稀疏類別準確度: 0.3133



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步驟 - 損失: 36.8637 - 稀疏類別準確度: 0.3132



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步驟 - 損失: 36.8679 - 稀疏類別準確度: 0.3132



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步驟 - 損失: 36.8722 - 稀疏類別準確度: 0.3131



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 32秒 1秒/步驟 - 損失: 36.8765 - 稀疏類別準確度: 0.3130



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 31秒 1秒/步驟 - 損失: 36.8808 - 稀疏類別準確度: 0.3129



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步驟 - 損失: 36.8851 - 稀疏類別準確度: 0.3128



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步驟 - 損失: 36.8893 - 稀疏類別準確度: 0.3127



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步驟 - 損失: 36.8934 - 稀疏類別準確度: 0.3126



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 26秒 1秒/步驟 - 損失: 36.8974 - 稀疏類別準確度: 0.3125



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步驟 - 損失: 36.9016 - 稀疏類別準確度: 0.3124



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步驟 - 損失: 36.9056 - 稀疏類別準確度: 0.3123



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步驟 - 損失: 36.9097 - 稀疏類別準確度: 0.3122



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步驟 - 損失: 36.9137 - 稀疏類別準確度: 0.3121



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 21秒 1秒/步驟 - 損失: 36.9180 - 稀疏類別準確度: 0.3120



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步驟 - 損失: 36.9223 - 稀疏類別準確度: 0.3119



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - 損失: 36.9265 - 稀疏類別準確度: 0.3118



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - 損失: 36.9306 - 稀疏類別準確度: 0.3117



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - 損失: 36.9348 - 稀疏類別準確度: 0.3116



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 16秒 1秒/步 - 損失: 36.9389 - 稀疏類別準確度: 0.3115



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - 損失: 36.9430 - 稀疏類別準確度: 0.3114



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - 損失: 36.9471 - 稀疏類別準確度: 0.3113



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - 損失: 36.9511 - 稀疏類別準確度: 0.3112



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - 損失: 36.9550 - 稀疏類別準確度: 0.3112



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - 損失: 36.9589 - 稀疏類別準確度: 0.3111



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - 損失: 36.9626 - 稀疏類別準確度: 0.3110



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - 損失: 36.9663 - 稀疏類別準確度: 0.3109



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - 損失: 36.9700 - 稀疏類別準確度: 0.3108



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - 損失: 36.9734 - 稀疏類別準確度: 0.3107



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - 損失: 36.9768 - 稀疏類別準確度: 0.3106



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - 損失: 36.9801 - 稀疏類別準確度: 0.3105



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - 損失: 36.9834 - 稀疏類別準確度: 0.3104



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - 損失: 36.9866 - 稀疏類別準確度: 0.3103



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - 損失: 36.9898 - 稀疏類別準確度: 0.3102



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - 損失: 36.9913 - 稀疏類別準確度: 0.3101



100/100 ━━━━━━━━━━━━━━━━━━━━ 112秒 1秒/步 - 損失: 36.9928 - 稀疏類別準確度: 0.3100 - 驗證損失: 2087371157504536015273984.0000 - 驗證稀疏類別準確度: 0.3004

Epoch 6/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:43 1秒/步 - 損失: 37.1168 - 稀疏類別準確度: 0.1875



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:48 1秒/步 - 損失: 37.1688 - 稀疏類別準確度: 0.1719



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:46 1秒/步 - 損失: 37.1452 - 稀疏類別準確度: 0.1944



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:44 1秒/步 - 損失: 37.0992 - 稀疏類別準確度: 0.2220



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:43 1秒/步 - 損失: 37.0764 - 稀疏類別準確度: 0.2376



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:43 1秒/步 - 損失: 37.0523 - 稀疏類別準確度: 0.2492



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:42 1秒/步 - 損失: 37.0250 - 稀疏類別準確度: 0.2602



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:40 1秒/步 - 損失: 36.9997 - 稀疏類別準確度: 0.2692



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:38 1秒/步 - 損失: 36.9775 - 稀疏類別準確度: 0.2755



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:37 1秒/步 - 損失: 36.9576 - 稀疏類別準確度: 0.2805



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:35 1秒/步 - 損失: 36.9399 - 稀疏類別準確度: 0.2849



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:34 1秒/步 - 損失: 36.9274 - 稀疏類別準確度: 0.2881



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:33 1秒/步 - 損失: 36.9169 - 稀疏類別準確度: 0.2911



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:31 1秒/步 - 損失: 36.9084 - 稀疏類別準確度: 0.2931



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:30 1秒/步 - 損失: 36.8988 - 稀疏類別準確度: 0.2952



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:29 1秒/步 - 損失: 36.8877 - 稀疏類別準確度: 0.2976



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:28 1秒/步 - 損失: 36.8768 - 稀疏類別準確度: 0.3001



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 1秒/步 - 損失: 36.8669 - 稀疏類別準確度: 0.3020



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:25 1秒/步 - 損失: 36.8565 - 稀疏類別準確度: 0.3036



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:25 1秒/步 - 損失: 36.8455 - 稀疏類別準確度: 0.3054



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:23 1秒/步 - 損失: 36.8350 - 稀疏類別準確度: 0.3068



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步 - 損失: 36.8242 - 稀疏類別準確度: 0.3080



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:21 1秒/步 - 損失: 36.8151 - 稀疏類別準確度: 0.3088



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:20 1秒/步 - 損失: 36.8065 - 稀疏類別準確度: 0.3096



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:19 1秒/步 - 損失: 36.7989 - 稀疏類別準確度: 0.3102



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:18 1秒/步 - 損失: 36.7921 - 稀疏類別準確度: 0.3105



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:17 1秒/步 - 損失: 36.7860 - 稀疏類別準確度: 0.3107



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步 - 損失: 36.7804 - 稀疏類別準確度: 0.3107



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 1秒/步 - 損失: 36.7753 - 稀疏類別準確度: 0.3109



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:14 1秒/步 - 損失: 36.7707 - 稀疏類別準確度: 0.3113



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:13 1秒/步 - 損失: 36.7666 - 稀疏類別準確度: 0.3118



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 1秒/步 - 損失: 36.7625 - 稀疏類別準確度: 0.3123



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步 - 損失: 36.7581 - 稀疏類別準確度: 0.3129



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1秒/步 - 損失: 36.7541 - 稀疏類別準確度: 0.3132



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:08 1秒/步 - 損失: 36.7502 - 稀疏類別準確度: 0.3134



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:07 1秒/步 - 損失: 36.7466 - 稀疏類別準確度: 0.3136



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步 - 損失: 36.7429 - 稀疏類別準確度: 0.3138



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1秒/步 - 損失: 36.7391 - 稀疏類別準確度: 0.3140



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1秒/步 - 損失: 36.7354 - 稀疏類別準確度: 0.3141



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:03 1秒/步 - 損失: 36.7317 - 稀疏類別準確度: 0.3141



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:02 1秒/步 - 損失: 36.7280 - 稀疏類別準確度: 0.3141



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步 - 損失: 36.7242 - 稀疏類別準確度: 0.3142



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步 - 損失: 36.7205 - 稀疏類別準確度: 0.3142



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步 - 損失: 36.7167 - 稀疏類別準確度: 0.3143



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 58秒 1秒/步 - 損失: 36.7129 - 稀疏類別準確度: 0.3144



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - 損失: 36.7114 - 稀疏類別準確度: 0.3145



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - 損失: 36.7097 - 稀疏類別準確度: 0.3146



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步 - 損失: 36.7081 - 稀疏類別準確度: 0.3147



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步 - 損失: 36.7067 - 稀疏類別準確度: 0.3148



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 52秒 1秒/步 - 損失: 36.7053 - 稀疏類別準確度: 0.3149



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步 - 損失: 36.7043 - 稀疏類別準確度: 0.3150



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - 損失: 36.7035 - 稀疏類別準確度: 0.3151



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - 損失: 36.7027 - 稀疏類別準確度: 0.3152



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步 - 損失: 36.7020 - 稀疏類別準確度: 0.3153



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 47秒 1秒/步 - 損失: 36.7013 - 稀疏類別準確度: 0.3153



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步 - 損失: 36.7005 - 稀疏類別準確度: 0.3154



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步 - 損失: 36.6997 - 稀疏類別準確度: 0.3155



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步 - 損失: 36.6991 - 稀疏類別準確度: 0.3155



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步 - 損失: 36.6983 - 稀疏類別準確度: 0.3156



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步 - 損失: 36.6977 - 稀疏類別準確度: 0.3156



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步 - 損失: 36.6974 - 稀疏類別準確度: 0.3156



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步 - 損失: 36.6971 - 稀疏類別準確度: 0.3156



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步 - 損失: 36.6968 - 稀疏類別準確度: 0.3156



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37秒 1秒/步 - 損失: 36.6963 - 稀疏類別準確度: 0.3157



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 36秒 1秒/步 - 損失: 36.6959 - 稀疏類別準確度: 0.3157



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步 - 損失: 36.6954 - 稀疏類別準確度: 0.3158



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步 - 損失: 36.6949 - 稀疏類別準確度: 0.3159



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步 - 損失: 36.6944 - 稀疏類別準確度: 0.3160



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步 - 損失: 36.6939 - 稀疏類別準確度: 0.3161



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 31秒 1秒/步 - 損失: 36.6933 - 稀疏類別準確度: 0.3162



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步 - 損失: 36.6927 - 稀疏類別準確度: 0.3163



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步 - 損失: 36.6921 - 稀疏類別準確度: 0.3164



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步 - 損失: 36.6914 - 稀疏類別準確度: 0.3165



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 26秒 1秒/步 - 損失: 36.6907 - 稀疏類別準確度: 0.3166



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步 - 損失: 36.6901 - 稀疏類別準確度: 0.3166



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步 - 損失: 36.6897 - 稀疏類別準確度: 0.3167



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步 - 損失: 36.6892 - 稀疏類別準確度: 0.3167



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步 - 損失: 36.6887 - 稀疏類別準確度: 0.3168



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 21秒 1秒/步 - 損失: 36.6882 - 稀疏類別準確度: 0.3169



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步 - 損失: 36.6878 - 稀疏類別準確度: 0.3170



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - 損失: 36.6872 - 稀疏類別準確度: 0.3171



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - 損失: 36.6867 - 稀疏類別準確度: 0.3172



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - 損失: 36.6862 - 稀疏類別準確度: 0.3173



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步 - 損失: 36.6858 - 稀疏類別準確度: 0.3173



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - 損失: 36.6853 - 稀疏類別準確度: 0.3174



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步 - 損失: 36.6847 - 稀疏類別準確度: 0.3175



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - 損失: 36.6842 - 稀疏類別準確度: 0.3175



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - 損失: 36.6835 - 稀疏類別準確度: 0.3176



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - 損失: 36.6829 - 稀疏類別準確度: 0.3176



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - 損失: 36.6823 - 稀疏類別準確度: 0.3177



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - 損失: 36.6817 - 稀疏類別準確度: 0.3177



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - 損失: 36.6810 - 稀疏類別準確度: 0.3177



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - 損失: 36.6804 - 稀疏類別準確度: 0.3177



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - 損失: 36.6802 - 稀疏類別準確度: 0.3178



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - 損失: 36.6800 - 稀疏類別準確度: 0.3178



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - 損失: 36.6798 - 稀疏類別準確度: 0.3179



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - 損失: 36.6797 - 稀疏類別準確度: 0.3179



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - 損失: 36.6795 - 稀疏類別準確度: 0.3180



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - 損失: 36.6792 - 稀疏類別準確度: 0.3180



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - 損失: 36.6775 - 稀疏類別準確度: 0.3181



100/100 ━━━━━━━━━━━━━━━━━━━━ 108秒 1秒/步 - 損失: 36.6758 - 稀疏類別準確度: 0.3182 - 驗證損失: 598952362161209344.0000 - 驗證稀疏類別準確度: 0.4180

Epoch 7/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:46 1秒/步 - 損失: 36.5799 - 稀疏類別準確度: 0.2188



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:45 1秒/步 - 損失: 39.4707 - 稀疏類別準確度: 0.2422



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:44 1秒/步 - 損失: 39.7202 - 稀疏類別準確度: 0.2622



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:41 1秒/步 - 損失: 39.6028 - 稀疏類別準確度: 0.2826



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:39 1秒/步 - 損失: 39.4266 - 稀疏類別準確度: 0.2923



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:37 1秒/步 - 損失: 39.2664 - 稀疏類別準確度: 0.3000



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:35 1秒/步 - 損失: 39.1370 - 稀疏類別準確度: 0.3050



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:34 1秒/步 - 損失: 39.0332 - 稀疏類別準確度: 0.3064



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:34 1秒/步 - 損失: 38.9412 - 稀疏類別準確度: 0.3090



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:33 1秒/步 - 損失: 38.8614 - 稀疏類別準確度: 0.3115



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:32 1秒/步 - 損失: 38.7961 - 稀疏類別準確度: 0.3127



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:31 1秒/步 - 損失: 38.7323 - 稀疏類別準確度: 0.3144



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:30 1秒/步 - 損失: 38.6772 - 稀疏類別準確度: 0.3161



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:29 1秒/步 - 損失: 38.6311 - 稀疏類別準確度: 0.3166



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:28 1秒/步 - 損失: 38.5887 - 稀疏類別準確度: 0.3172



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:27 1秒/步 - 損失: 38.5600 - 稀疏類別準確度: 0.3173



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 1秒/步 - 損失: 38.5358 - 稀疏類別準確度: 0.3172



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:25 1秒/步 - 損失: 38.5143 - 稀疏類別準確度: 0.3170



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:24 1秒/步 - 損失: 38.4937 - 稀疏類別準確度: 0.3166



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:23 1秒/步 - 損失: 38.4737 - 稀疏類別準確度: 0.3164



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步 - 損失: 38.4543 - 稀疏類別準確度: 0.3164



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:20 1秒/步 - 損失: 38.4364 - 稀疏類別準確度: 0.3163



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:19 1秒/步 - 損失: 38.4201 - 稀疏類別準確度: 0.3161



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:18 1秒/步 - 損失: 38.4052 - 稀疏類別準確度: 0.3162



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:17 1秒/步 - 損失: 38.3898 - 稀疏類別準確度: 0.3165



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步 - 損失: 38.3748 - 稀疏類別準確度: 0.3167



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 1秒/步 - 損失: 38.3601 - 稀疏類別準確度: 0.3167



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:14 1秒/步 - 損失: 38.3457 - 稀疏類別準確度: 0.3167



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:13 1秒/步 - 損失: 38.3315 - 稀疏類別準確度: 0.3168



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 1秒/步 - 損失: 38.3167 - 稀疏類別準確度: 0.3172



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步 - 損失: 38.3021 - 稀疏類別準確度: 0.3175



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1秒/步 - 損失: 38.2873 - 稀疏類別準確度: 0.3179



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:09 1秒/步 - 損失: 38.2722 - 稀疏類別準確度: 0.3184



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:08 1秒/步 - 損失: 38.2571 - 稀疏類別準確度: 0.3189



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:07 1秒/步 - 損失: 38.2425 - 稀疏類別準確度: 0.3193



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步 - 損失: 38.2277 - 稀疏類別準確度: 0.3197



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1秒/步 - 損失: 38.2132 - 稀疏類別準確度: 0.3199



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1秒/步 - 損失: 38.1989 - 稀疏類別準確度: 0.3201



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:02 1秒/步 - 損失: 38.1846 - 稀疏類別準確度: 0.3204



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步 - 損失: 38.1707 - 稀疏類別準確度: 0.3206



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步 - 損失: 38.1595 - 稀疏類別準確度: 0.3209



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步 - 損失: 38.1484 - 稀疏類別準確度: 0.3211



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步 - 損失: 38.1373 - 稀疏類別準確度: 0.3213



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 57秒 1秒/步 - 損失: 38.1262 - 稀疏類別準確度: 0.3214



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - 損失: 38.1152 - 稀疏類別準確度: 0.3215



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - 損失: 38.1040 - 稀疏類別準確度: 0.3216



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步 - 損失: 38.0932 - 稀疏類別準確度: 0.3216



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步 - 損失: 38.0824 - 稀疏類別準確度: 0.3216



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 52秒 1秒/步 - 損失: 38.0716 - 稀疏類別準確度: 0.3216



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步 - 損失: 38.0609 - 稀疏類別準確度: 0.3216



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - 損失: 38.0535 - 稀疏類別準確度: 0.3216



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - 損失: 38.0460 - 稀疏類別準確度: 0.3217



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步 - 損失: 38.0384 - 稀疏類別準確度: 0.3217



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 47秒 1秒/步 - 損失: 38.0309 - 稀疏類別準確度: 0.3217



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 1秒/步 - 損失: 38.0235 - 稀疏類別準確度: 0.3218



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步 - 損失: 38.0162 - 稀疏類別準確度: 0.3218



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步 - 損失: 38.0092 - 稀疏類別準確度: 0.3217



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步 - 損失: 38.0029 - 稀疏類別準確度: 0.3217



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步 - 損失: 37.9967 - 稀疏類別準確度: 0.3216



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 41秒 1秒/步 - 損失: 37.9907 - 稀疏類別準確度: 0.3215



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步 - 損失: 37.9848 - 稀疏類別準確度: 0.3215



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步 - 損失: 37.9791 - 稀疏類別準確度: 0.3214



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步 - 損失: 37.9734 - 稀疏類別準確度: 0.3214



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 36秒 1秒/步 - 損失: 37.9678 - 稀疏類別準確度: 0.3213



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步 - 損失: 37.9623 - 稀疏類別準確度: 0.3212



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步 - 損失: 37.9570 - 稀疏類別準確度: 0.3211



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步 - 損失: 37.9519 - 稀疏類別準確度: 0.3211



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步 - 損失: 37.9469 - 稀疏類別準確度: 0.3210



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 31秒 1秒/步 - 損失: 37.9424 - 稀疏類別準確度: 0.3209



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步 - 損失: 37.9380 - 稀疏類別準確度: 0.3208



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步 - 損失: 37.9341 - 稀疏類別準確度: 0.3208



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步 - 損失: 37.9304 - 稀疏類別準確度: 0.3207



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步 - 損失: 37.9269 - 稀疏類別準確度: 0.3206



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 26秒 1秒/步 - 損失: 37.9234 - 稀疏類別準確度: 0.3206



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步 - 損失: 37.9199 - 稀疏類別準確度: 0.3205



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步 - 損失: 37.9165 - 稀疏類別準確度: 0.3204



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步 - 損失: 37.9135 - 稀疏類別準確度: 0.3203



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步 - 損失: 37.9104 - 稀疏類別準確度: 0.3202



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 21秒 1秒/步 - 損失: 37.9071 - 稀疏類別準確度: 0.3202



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步 - 損失: 37.9039 - 稀疏類別準確度: 0.3201



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - 損失: 37.9007 - 稀疏類別準確度: 0.3201



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - 損失: 37.8974 - 稀疏類別準確度: 0.3200



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - 損失: 37.8941 - 稀疏類別準確度: 0.3200



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步 - 損失: 37.8908 - 稀疏類別準確度: 0.3200



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - 損失: 37.8875 - 稀疏類別準確度: 0.3199



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步 - 損失: 37.8840 - 稀疏類別準確度: 0.3199



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - 損失: 37.8806 - 稀疏類別準確度: 0.3199



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - 損失: 37.8770 - 稀疏類別準確度: 0.3198



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - 損失: 37.8734 - 稀疏類別準確度: 0.3198



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - 損失: 37.8697 - 稀疏類別準確度: 0.3197



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - 損失: 37.8660 - 稀疏類別準確度: 0.3197



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - 損失: 37.8622 - 稀疏類別準確度: 0.3196



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - 損失: 37.8583 - 稀疏類別準確度: 0.3195



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - 損失: 37.8545 - 稀疏類別準確度: 0.3195



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - 損失: 37.8505 - 稀疏類別準確度: 0.3194



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - 損失: 37.8465 - 稀疏類別準確度: 0.3194



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - 損失: 37.8424 - 稀疏類別準確度: 0.3193



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - 損失: 37.8384 - 稀疏類別準確度: 0.3193



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - 損失: 37.8342 - 稀疏類別準確度: 0.3192



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - 損失: 37.8286 - 稀疏類別準確度: 0.3192



100/100 ━━━━━━━━━━━━━━━━━━━━ 107秒 1秒/步 - 損失: 37.8231 - 稀疏類別準確度: 0.3192 - 驗證損失: 55461990629376.0000 - 驗證稀疏類別準確度: 0.3805

Epoch 8/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:42 1秒/步 - 損失: 36.6512 - 稀疏類別準確度: 0.2500



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:44 1秒/步 - 損失: 36.6798 - 稀疏類別準確度: 0.2734



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:40 1秒/步 - 損失: 36.6432 - 稀疏類別準確度: 0.2899



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:40 1秒/步 - 損失: 36.5739 - 稀疏類別準確度: 0.3132



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:39 1秒/步 - 損失: 36.5407 - 稀疏類別準確度: 0.3268



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:37 1秒/步 - 損失: 36.5485 - 稀疏類別準確度: 0.3331



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:36 1秒/步 - 損失: 36.5576 - 稀疏類別準確度: 0.3371



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:35 1秒/步 - 損失: 36.5698 - 稀疏類別準確度: 0.3385



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:34 1秒/步 - 損失: 36.5745 - 稀疏類別準確度: 0.3394



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:33 1秒/步 - 損失: 36.5792 - 稀疏類別準確度: 0.3389



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:32 1秒/步 - 損失: 36.5810 - 稀疏類別準確度: 0.3376



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:30 1秒/步 - 損失: 36.5798 - 稀疏類別準確度: 0.3361



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:29 1秒/步 - 損失: 36.5791 - 稀疏類別準確度: 0.3352



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:28 1秒/步 - 損失: 36.5762 - 稀疏類別準確度: 0.3354



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:28 1秒/步 - 損失: 36.5728 - 稀疏類別準確度: 0.3355



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 1秒/步 - 損失: 36.5684 - 稀疏類別準確度: 0.3359



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:25 1秒/步 - 損失: 36.5666 - 稀疏類別準確度: 0.3356



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:24 1秒/步 - 損失: 36.5648 - 稀疏類別準確度: 0.3348



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:23 1秒/步 - 損失: 36.5629 - 稀疏類別準確度: 0.3337



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 1秒/步 - 損失: 36.5608 - 稀疏類別準確度: 0.3327



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:21 1秒/步 - 損失: 36.5580 - 稀疏類別準確度: 0.3321



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:20 1秒/步 - 損失: 36.5553 - 稀疏類別準確度: 0.3314



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:19 1秒/步 - 損失: 36.5536 - 稀疏類別準確度: 0.3305



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:18 1秒/步 - 損失: 36.5524 - 稀疏類別準確度: 0.3294



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:17 1秒/步 - 損失: 36.5546 - 稀疏類別準確度: 0.3286



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 1秒/步 - 損失: 36.5562 - 稀疏類別準確度: 0.3276



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 1秒/步 - 損失: 36.5576 - 稀疏類別準確度: 0.3267



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:14 1秒/步 - 損失: 36.5586 - 稀疏類別準確度: 0.3258



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:13 1秒/步 - 損失: 36.5592 - 稀疏類別準確度: 0.3251



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 1秒/步 - 損失: 36.5596 - 稀疏類別準確度: 0.3245



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 1秒/步 - 損失: 36.5592 - 稀疏類別準確度: 0.3241



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:09 1秒/步 - 損失: 36.5586 - 稀疏類別準確度: 0.3238



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:08 1秒/步 - 損失: 36.5576 - 稀疏類別準確度: 0.3236



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:07 1秒/步 - 損失: 36.5560 - 稀疏類別準確度: 0.3234



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 1秒/步 - 損失: 36.5542 - 稀疏類別準確度: 0.3233



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 1秒/步 - 損失: 36.5522 - 稀疏類別準確度: 0.3231



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 1秒/步 - 損失: 36.5500 - 稀疏類別準確度: 0.3231



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:03 1秒/步 - 損失: 36.5481 - 稀疏類別準確度: 0.3230



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:02 1秒/步 - 損失: 36.5463 - 稀疏類別準確度: 0.3228



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 1秒/步 - 損失: 36.5443 - 稀疏類別準確度: 0.3227



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 1秒/步 - 損失: 36.5423 - 稀疏類別準確度: 0.3225



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 1秒/步 - 損失: 36.5402 - 稀疏類別準確度: 0.3223



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 1秒/步 - 損失: 36.5381 - 稀疏類別準確度: 0.3220



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 57秒 1秒/步 - 損失: 36.5362 - 稀疏類別準確度: 0.3218



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 1秒/步 - 損失: 36.5354 - 稀疏類別準確度: 0.3215



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 1秒/步 - 損失: 36.5343 - 稀疏類別準確度: 0.3212



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 1秒/步 - 損失: 36.5330 - 稀疏類別準確度: 0.3209



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 1秒/步 - 損失: 36.5316 - 稀疏類別準確度: 0.3207



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 52秒 1秒/步 - 損失: 36.5302 - 稀疏類別準確度: 0.3205



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 1秒/步 - 損失: 36.5287 - 稀疏類別準確度: 0.3204



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 1秒/步 - 損失: 36.5272 - 稀疏類別準確度: 0.3203



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 1秒/步 - 損失: 36.5257 - 稀疏類別準確度: 0.3202



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 1秒/步 - 損失: 36.5242 - 稀疏類別準確度: 0.3201



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 46秒 1秒/步 - 損失: 36.5229 - 稀疏類別準確度: 0.3200



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 1秒/步 - 損失: 36.5216 - 稀疏類別準確度: 0.3199



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 1秒/步 - 損失: 36.5203 - 稀疏類別準確度: 0.3197



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 43秒 1秒/步 - 損失: 36.5188 - 稀疏類別準確度: 0.3196



58/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 42秒 1秒/步 - 損失: 36.5173 - 稀疏類別準確度: 0.3195



59/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 41秒 1秒/步 - 損失: 36.5157 - 稀疏類別準確度: 0.3194



60/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 40秒 1秒/步 - 損失: 36.5140 - 稀疏類別準確度: 0.3193



61/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 39秒 1秒/步 - 損失: 36.5122 - 稀疏類別準確度: 0.3192



62/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 38秒 1秒/步 - 損失: 36.5105 - 稀疏類別準確度: 0.3192



63/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 37秒 1秒/步 - 損失: 36.5086 - 稀疏類別準確度: 0.3191



64/100 ━━━━━━━━━━━━ [37m━━━━━━━━ 36秒 1秒/步 - 損失: 36.5067 - 稀疏類別準確度: 0.3191



65/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 35秒 1秒/步 - 損失: 36.5048 - 稀疏類別準確度: 0.3191



66/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 34秒 1秒/步 - 損失: 36.5030 - 稀疏類別準確度: 0.3191



67/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 33秒 1秒/步 - 損失: 36.5011 - 稀疏類別準確度: 0.3191



68/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 32秒 1秒/步 - 損失: 36.4993 - 稀疏類別準確度: 0.3191



69/100 ━━━━━━━━━━━━━ [37m━━━━━━━ 31秒 1秒/步 - 損失: 36.4974 - 稀疏類別準確度: 0.3191



70/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 30秒 1秒/步 - 損失: 36.4955 - 稀疏類別準確度: 0.3192



71/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 29秒 1秒/步 - 損失: 36.4937 - 稀疏類別準確度: 0.3192



72/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 28秒 1秒/步 - 損失: 36.4919 - 稀疏類別準確度: 0.3193



73/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 27秒 1秒/步 - 損失: 36.4902 - 稀疏類別準確度: 0.3194



74/100 ━━━━━━━━━━━━━━ [37m━━━━━━ 26秒 1秒/步 - 損失: 36.4886 - 稀疏類別準確度: 0.3194



75/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 25秒 1秒/步 - 損失: 36.4871 - 稀疏類別準確度: 0.3194



76/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 24秒 1秒/步 - 損失: 36.4858 - 稀疏類別準確度: 0.3194



77/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 23秒 1秒/步 - 損失: 36.4845 - 稀疏類別準確度: 0.3195



78/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 22秒 1秒/步 - 損失: 36.4834 - 稀疏類別準確度: 0.3195



79/100 ━━━━━━━━━━━━━━━ [37m━━━━━ 21秒 1秒/步 - 損失: 36.4824 - 稀疏類別準確度: 0.3195



80/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 20秒 1秒/步 - 損失: 36.4813 - 稀疏類別準確度: 0.3195



81/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 19秒 1秒/步 - 損失: 36.4804 - 稀疏類別準確度: 0.3195



82/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 18秒 1秒/步 - 損失: 36.4794 - 稀疏類別準確度: 0.3195



83/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 17秒 1秒/步 - 損失: 36.4785 - 稀疏類別準確度: 0.3195



84/100 ━━━━━━━━━━━━━━━━ [37m━━━━ 16秒 1秒/步 - 損失: 36.4776 - 稀疏類別準確度: 0.3195



85/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 15秒 1秒/步 - 損失: 36.4767 - 稀疏類別準確度: 0.3196



86/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 14秒 1秒/步 - 損失: 36.4759 - 稀疏類別準確度: 0.3196



87/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 13秒 1秒/步 - 損失: 36.4750 - 稀疏類別準確度: 0.3196



88/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 12秒 1秒/步 - 損失: 36.4742 - 稀疏類別準確度: 0.3196



89/100 ━━━━━━━━━━━━━━━━━ [37m━━━ 11秒 1秒/步 - 損失: 36.4735 - 稀疏類別準確度: 0.3196



90/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 10秒 1秒/步 - 損失: 36.4727 - 稀疏類別準確度: 0.3197



91/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 9秒 1秒/步 - 損失: 36.4719 - 稀疏類別準確度: 0.3197



92/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 8秒 1秒/步 - 損失: 36.4711 - 稀疏類別準確度: 0.3197



93/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 7秒 1秒/步 - 損失: 36.4702 - 稀疏類別準確度: 0.3198



94/100 ━━━━━━━━━━━━━━━━━━ [37m━━ 6秒 1秒/步 - 損失: 36.4693 - 稀疏類別準確度: 0.3198



95/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 5秒 1秒/步 - 損失: 36.4686 - 稀疏類別準確度: 0.3198



96/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 4秒 1秒/步 - 損失: 36.4678 - 稀疏類別準確度: 0.3198



97/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 3秒 1秒/步 - 損失: 36.4670 - 稀疏類別準確度: 0.3198



98/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 2秒 1秒/步 - 損失: 36.4663 - 稀疏類別準確度: 0.3198



99/100 ━━━━━━━━━━━━━━━━━━━ [37m━ 1秒 1秒/步 - 損失: 36.4656 - 稀疏類別準確度: 0.3198



100/100 ━━━━━━━━━━━━━━━━━━━━ 0秒 1秒/步 - 損失: 36.4633 - 稀疏類別準確度: 0.3198



100/100 ━━━━━━━━━━━━━━━━━━━━ 107秒 1秒/步 - 損失: 36.4611 - 稀疏類別準確度: 0.3198 - 驗證損失: 55461990629376.0000 - 驗證稀疏類別準確度: 0.3805

Epoch 9/20

1/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:48 1秒/步 - 損失: 36.1902 - 稀疏類別準確度: 0.4062



2/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:42 每步 1 秒 - 損失: 36.1628 - 稀疏類別準確度: 0.3594



3/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:42 每步 1 秒 - 損失: 36.1877 - 稀疏類別準確度: 0.3438



4/100 [37m━━━━━━━━━━━━━━━━━━━━ 1:40 每步 1 秒 - 損失: 36.2174 - 稀疏類別準確度: 0.3320



5/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:38 每步 1 秒 - 損失: 36.2312 - 稀疏類別準確度: 0.3294



6/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:37 每步 1 秒 - 損失: 36.2290 - 稀疏類別準確度: 0.3309



7/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:36 每步 1 秒 - 損失: 36.2177 - 稀疏類別準確度: 0.3321



8/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:35 每步 1 秒 - 損失: 36.2049 - 稀疏類別準確度: 0.3331



9/100 ━ [37m━━━━━━━━━━━━━━━━━━━ 1:34 每步 1 秒 - 損失: 36.2052 - 稀疏類別準確度: 0.3319



10/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:32 每步 1 秒 - 損失: 36.2082 - 稀疏類別準確度: 0.3309



11/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:32 每步 1 秒 - 損失: 36.2106 - 稀疏類別準確度: 0.3298



12/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:31 每步 1 秒 - 損失: 36.2138 - 稀疏類別準確度: 0.3292



13/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:29 每步 1 秒 - 損失: 36.2142 - 稀疏類別準確度: 0.3288



14/100 ━━ [37m━━━━━━━━━━━━━━━━━━ 1:28 每步 1 秒 - 損失: 36.2186 - 稀疏類別準確度: 0.3282



15/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:27 每步 1 秒 - 損失: 36.2206 - 稀疏類別準確度: 0.3278



16/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:26 每步 1 秒 - 損失: 36.2294 - 稀疏類別準確度: 0.3283



17/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:25 每步 1 秒 - 損失: 36.2382 - 稀疏類別準確度: 0.3287



18/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:24 每步 1 秒 - 損失: 36.2450 - 稀疏類別準確度: 0.3294



19/100 ━━━ [37m━━━━━━━━━━━━━━━━━ 1:23 每步 1 秒 - 損失: 36.2496 - 稀疏類別準確度: 0.3303



20/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:22 每步 1 秒 - 損失: 36.2549 - 稀疏類別準確度: 0.3309



21/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:21 每步 1 秒 - 損失: 36.2586 - 稀疏類別準確度: 0.3315



22/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:20 每步 1 秒 - 損失: 36.2609 - 稀疏類別準確度: 0.3324



23/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:19 每步 1 秒 - 損失: 36.2630 - 稀疏類別準確度: 0.3330



24/100 ━━━━ [37m━━━━━━━━━━━━━━━━ 1:18 每步 1 秒 - 損失: 36.2647 - 稀疏類別準確度: 0.3333



25/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:17 每步 1 秒 - 損失: 36.2664 - 稀疏類別準確度: 0.3339



26/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:16 每步 1 秒 - 損失: 36.2682 - 稀疏類別準確度: 0.3343



27/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:15 每步 1 秒 - 損失: 36.2697 - 稀疏類別準確度: 0.3344



28/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:14 每步 1 秒 - 損失: 36.2714 - 稀疏類別準確度: 0.3345



29/100 ━━━━━ [37m━━━━━━━━━━━━━━━ 1:13 每步 1 秒 - 損失: 36.2728 - 稀疏類別準確度: 0.3344



30/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:12 每步 1 秒 - 損失: 36.2743 - 稀疏類別準確度: 0.3343



31/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:11 每步 1 秒 - 損失: 36.2755 - 稀疏類別準確度: 0.3340



32/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:10 每步 1 秒 - 損失: 36.2773 - 稀疏類別準確度: 0.3338



33/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:09 每步 1 秒 - 損失: 36.2785 - 稀疏類別準確度: 0.3337



34/100 ━━━━━━ [37m━━━━━━━━━━━━━━ 1:08 每步 1 秒 - 損失: 36.2792 - 稀疏類別準確度: 0.3336



35/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:06 每步 1 秒 - 損失: 36.2797 - 稀疏類別準確度: 0.3336



36/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:05 每步 1 秒 - 損失: 36.2802 - 稀疏類別準確度: 0.3336



37/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:04 每步 1 秒 - 損失: 36.2807 - 稀疏類別準確度: 0.3336



38/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:03 每步 1 秒 - 損失: 36.2810 - 稀疏類別準確度: 0.3336



39/100 ━━━━━━━ [37m━━━━━━━━━━━━━ 1:02 每步 1 秒 - 損失: 36.2810 - 稀疏類別準確度: 0.3336



40/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:01 每步 1 秒 - 損失: 36.2809 - 稀疏類別準確度: 0.3336



41/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 1:00 每步 1 秒 - 損失: 36.2809 - 稀疏類別準確度: 0.3336



42/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 59秒 每步 1 秒 - 損失: 36.2820 - 稀疏類別準確度: 0.3336



43/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 58秒 每步 1 秒 - 損失: 36.2831 - 稀疏類別準確度: 0.3337



44/100 ━━━━━━━━ [37m━━━━━━━━━━━━ 57秒 每步 1 秒 - 損失: 36.2839 - 稀疏類別準確度: 0.3337



45/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 56秒 每步 1 秒 - 損失: 36.2848 - 稀疏類別準確度: 0.3337



46/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 55秒 每步 1 秒 - 損失: 36.2857 - 稀疏類別準確度: 0.3336



47/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 54秒 每步 1 秒 - 損失: 36.2874 - 稀疏類別準確度: 0.3335



48/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 53秒 每步 1 秒 - 損失: 36.2893 - 稀疏類別準確度: 0.3335



49/100 ━━━━━━━━━ [37m━━━━━━━━━━━ 52秒 每步 1 秒 - 損失: 36.2912 - 稀疏類別準確度: 0.3334



50/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 51秒 每步 1 秒 - 損失: 36.2930 - 稀疏類別準確度: 0.3333



51/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 50秒 每步 1 秒 - 損失: 36.2946 - 稀疏類別準確度: 0.3334



52/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 49秒 每步 1 秒 - 損失: 36.2961 - 稀疏類別準確度: 0.3334



53/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 48秒 每步 1 秒 - 損失: 36.2975 - 稀疏類別準確度: 0.3334



54/100 ━━━━━━━━━━ [37m━━━━━━━━━━ 47秒 每步 1 秒 - 損失: 36.2989 - 稀疏類別準確度: 0.3334



55/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 46秒 每步 1 秒 - 損失: 36.3000 - 稀疏類別準確度: 0.3335



56/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 45秒 每步 1 秒 - 損失: 36.3012 - 稀疏類別準確度: 0.3336



57/100 ━━━━━━━━━━━ [37m━━━━━━━━━ 44秒 每步 1 秒 - 損失: 36.3021 - 稀疏類別準確度: 0.3336