瓜帝凹辣

Tensorflow 实现鸢尾花数据集分类

根据北大的神经网络class1所有内容最后用实例来总结一下，通过tensorflow 2.0，不搭建Senquential搭建鸢尾花数据集分类的神经网络

# 导入所需模块     
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np

# 导入数据，分别为输入特征和标签
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target

# 随机打乱数据，如果不随机打乱，那么接下来在测试集准确率计算中将始终为1。
# seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
np.random.seed(666)  # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)#对输入特征值进行随机打乱
np.random.seed(666)
np.random.shuffle(y_data)#对标签值随机打乱
tf.random.set_seed(666)

# 将打乱后的数据集分割为训练集和测试集，训练集为前120行，测试集为后30行
x_train = x_data[:-30]#因为总共数据集为150，x_data[:-30]=x_data[0:120]   这是训练集的特征值
y_train = y_data[:-30]#同上
x_test = x_data[-30:]#因为总共数据集为150，x_data[-30:]=x_data[120:150]   这是测试集的特征值
y_test = y_data[-30:]#同上

# 转换x的数据类型，否则后面矩阵相乘时会因数据类型不一致报错
x_train = tf.cast(x_train, tf.float32)#tf.cast()转换数据类型
x_test = tf.cast(x_test, tf.float32)

# from_tensor_slices函数使输入特征和标签值一一对应。（把数据集分批次，每个批次32组数据）
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

# 生成一层神经网络的参数，4个输入特征，所以输入层为4个输入节点；因为3分类，故输出层为3个神经元
# 用tf.Variable()标记参数可训练
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1))

#设置超参数
lr = 0.1  # 学习率为0.1
epoch = 500  # 循环500轮
loss_all = 0  # 每轮分4个step，loss_all记录四个step生成的4个loss的和

# 训练部分
for epoch in range(epoch):  #数据集级别的循环，每个epoch循环一次数据集
    for step, (x_train, y_train) in enumerate(train_db):  #batch级别的循环 ，每个step循环一个batch
        with tf.GradientTape() as tape:  # with结构记录梯度信息
            y = tf.matmul(x_train, w1) + b1  # 神经网络乘加运算
            y = tf.nn.softmax(y)  # 使输出y符合概率分布
            y_ = tf.one_hot(y_train, depth=3)  # 将标签值转换为独热码格式，方便计算loss和accuracy
            loss = tf.reduce_mean(tf.square(y_ - y))  # 采用均方误差损失函数mse = mean(sum(y-out)^2)
            loss_all += loss.numpy()  # 将每个step计算出的loss累加，为后续求loss平均值提供数据，这样计算的loss更准确
        # 计算loss对各个参数的梯度
        grads = tape.gradient(loss, [w1, b1])

        # 实现梯度更新 w1 = w1 - lr * w1_grad    b = b - lr * b_grad
        w1.assign_sub(lr * grads[0])  # 参数w1自更新
        b1.assign_sub(lr * grads[1])  # 参数b自更新

    # 每个epoch，打印loss信息
    print("Epoch {}, loss: {}".format(epoch, loss_all/4))
    train_loss_results.append(loss_all / 4)  # 将4个step的loss求平均记录在此变量中
    loss_all = 0  # loss_all归零，为记录下一个epoch的loss做准备

    # 测试部分
    # total_correct为预测对的样本个数, total_number为测试的总样本数，将这两个变量都初始化为0
    total_correct, total_number = 0, 0
    for x_test, y_test in test_db:
        # 使用更新后的参数进行预测
        y = tf.matmul(x_test, w1) + b1
        y = tf.nn.softmax(y)
        pred = tf.argmax(y, axis=1)  # 返回y中最大值的索引，即预测的分类
        # 将pred转换为y_test的数据类型
        pred = tf.cast(pred, dtype=y_test.dtype)
        # 若分类正确，则correct=1，否则为0，将bool型的结果转换为int型
        correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
        # 将每个batch的correct数加起来
        correct = tf.reduce_sum(correct)
        # 将所有batch中的correct数加起来
        total_correct += int(correct)
        # total_number为测试的总样本数，也就是x_test的行数，shape[0]返回变量的行数
        total_number += x_test.shape[0]
    # 总的准确率等于total_correct/total_number
    acc = total_correct / total_number
    test_acc.append(acc)
    print("Test_acc:", acc)
    print("--------------------------")

下面是输出结果：

Epoch 0, loss: 0.28431667014956474
Test_acc: 0.16666666666666666
--------------------------
Epoch 1, loss: 0.1981075294315815
Test_acc: 0.23333333333333334
--------------------------
Epoch 2, loss: 0.18012284487485886
Test_acc: 0.5333333333333333
--------------------------
Epoch 3, loss: 0.1698448546230793
Test_acc: 0.5333333333333333
--------------------------
Epoch 4, loss: 0.16149691492319107
Test_acc: 0.5333333333333333
--------------------------
Epoch 5, loss: 0.15443307906389236
Test_acc: 0.5333333333333333
--------------------------
Epoch 6, loss: 0.14845269173383713
Test_acc: 0.5333333333333333
--------------------------
Epoch 7, loss: 0.1433694213628769
Test_acc: 0.5333333333333333
--------------------------
Epoch 8, loss: 0.13901774398982525
Test_acc: 0.5333333333333333
--------------------------
Epoch 9, loss: 0.13525934144854546
Test_acc: 0.5333333333333333
--------------------------
Epoch 10, loss: 0.1319823358207941
Test_acc: 0.5333333333333333
--------------------------
Epoch 11, loss: 0.12909754179418087
Test_acc: 0.5333333333333333
--------------------------
Epoch 12, loss: 0.1265342477709055
Test_acc: 0.5333333333333333
--------------------------
Epoch 13, loss: 0.12423631362617016
Test_acc: 0.5333333333333333
--------------------------
Epoch 14, loss: 0.12215906381607056
Test_acc: 0.5333333333333333
--------------------------
Epoch 15, loss: 0.12026669643819332
Test_acc: 0.5333333333333333
--------------------------
Epoch 16, loss: 0.1185303870588541
Test_acc: 0.5333333333333333
--------------------------
Epoch 17, loss: 0.11692673340439796
Test_acc: 0.5333333333333333
--------------------------
Epoch 18, loss: 0.11543663963675499
Test_acc: 0.5333333333333333
--------------------------
Epoch 19, loss: 0.11404440365731716
Test_acc: 0.5333333333333333
--------------------------
Epoch 20, loss: 0.112737026065588
Test_acc: 0.5333333333333333
--------------------------
Epoch 21, loss: 0.11150369234383106
Test_acc: 0.5333333333333333
--------------------------
Epoch 22, loss: 0.11033532582223415
Test_acc: 0.5333333333333333
--------------------------
Epoch 23, loss: 0.10922429896891117
Test_acc: 0.5333333333333333
--------------------------
Epoch 24, loss: 0.10816413164138794
Test_acc: 0.5333333333333333
--------------------------
Epoch 25, loss: 0.10714931972324848
Test_acc: 0.5333333333333333
--------------------------
Epoch 26, loss: 0.10617514699697495
Test_acc: 0.5333333333333333
--------------------------
Epoch 27, loss: 0.1052375566214323
Test_acc: 0.5333333333333333
--------------------------
Epoch 28, loss: 0.10433304496109486
Test_acc: 0.5333333333333333
--------------------------
Epoch 29, loss: 0.1034585814923048
Test_acc: 0.5333333333333333
--------------------------
Epoch 30, loss: 0.10261152870953083
Test_acc: 0.5333333333333333
--------------------------
Epoch 31, loss: 0.10178956016898155
Test_acc: 0.5333333333333333
--------------------------
Epoch 32, loss: 0.10099065490067005
Test_acc: 0.5333333333333333
--------------------------
Epoch 33, loss: 0.10021303966641426
Test_acc: 0.5333333333333333
--------------------------
Epoch 34, loss: 0.09945511817932129
Test_acc: 0.5333333333333333
--------------------------
Epoch 35, loss: 0.098715515807271
Test_acc: 0.5333333333333333
--------------------------
Epoch 36, loss: 0.09799297526478767
Test_acc: 0.5333333333333333
--------------------------
Epoch 37, loss: 0.0972864031791687
Test_acc: 0.5333333333333333
--------------------------
Epoch 38, loss: 0.09659480676054955
Test_acc: 0.5333333333333333
--------------------------
Epoch 39, loss: 0.09591729380190372
Test_acc: 0.5333333333333333
--------------------------
Epoch 40, loss: 0.09525307267904282
Test_acc: 0.5333333333333333
--------------------------
Epoch 41, loss: 0.09460142999887466
Test_acc: 0.5333333333333333
--------------------------
Epoch 42, loss: 0.09396171569824219
Test_acc: 0.5333333333333333
--------------------------
Epoch 43, loss: 0.09333333559334278
Test_acc: 0.5333333333333333
--------------------------
Epoch 44, loss: 0.09271577186882496
Test_acc: 0.5333333333333333
--------------------------
Epoch 45, loss: 0.09210851788520813
Test_acc: 0.5333333333333333
--------------------------
Epoch 46, loss: 0.09151115268468857
Test_acc: 0.5333333333333333
--------------------------
Epoch 47, loss: 0.0909232571721077
Test_acc: 0.5666666666666667
--------------------------
Epoch 48, loss: 0.09034446999430656
Test_acc: 0.5666666666666667
--------------------------
Epoch 49, loss: 0.08977444842457771
Test_acc: 0.5666666666666667
--------------------------
Epoch 50, loss: 0.08921287767589092
Test_acc: 0.5666666666666667
--------------------------
Epoch 51, loss: 0.08865946903824806
Test_acc: 0.6
--------------------------
Epoch 52, loss: 0.08811395615339279
Test_acc: 0.6
--------------------------
Epoch 53, loss: 0.08757609315216541
Test_acc: 0.6
--------------------------
Epoch 54, loss: 0.08704564720392227
Test_acc: 0.6
--------------------------
Epoch 55, loss: 0.08652240224182606
Test_acc: 0.6
--------------------------
Epoch 56, loss: 0.08600616082549095
Test_acc: 0.6
--------------------------
Epoch 57, loss: 0.08549674414098263
Test_acc: 0.6
--------------------------
Epoch 58, loss: 0.08499396033585072
Test_acc: 0.6
--------------------------
Epoch 59, loss: 0.08449766784906387
Test_acc: 0.6
--------------------------
Epoch 60, loss: 0.08400769345462322
Test_acc: 0.6
--------------------------
Epoch 61, loss: 0.08352390117943287
Test_acc: 0.6333333333333333
--------------------------
Epoch 62, loss: 0.08304615877568722
Test_acc: 0.6333333333333333
--------------------------
Epoch 63, loss: 0.08257432840764523
Test_acc: 0.6333333333333333
--------------------------
Epoch 64, loss: 0.0821082815527916
Test_acc: 0.6333333333333333
--------------------------
Epoch 65, loss: 0.08164790458977222
Test_acc: 0.6333333333333333
--------------------------
Epoch 66, loss: 0.08119309321045876
Test_acc: 0.6333333333333333
--------------------------
Epoch 67, loss: 0.08074375055730343
Test_acc: 0.6333333333333333
--------------------------
Epoch 68, loss: 0.0802997425198555
Test_acc: 0.6333333333333333
--------------------------
Epoch 69, loss: 0.0798610020428896
Test_acc: 0.6666666666666666
--------------------------
Epoch 70, loss: 0.0794274304062128
Test_acc: 0.6666666666666666
--------------------------
Epoch 71, loss: 0.07899892702698708
Test_acc: 0.7
--------------------------
Epoch 72, loss: 0.07857540994882584
Test_acc: 0.7
--------------------------
Epoch 73, loss: 0.07815680652856827
Test_acc: 0.7
--------------------------
Epoch 74, loss: 0.0777430310845375
Test_acc: 0.7
--------------------------
Epoch 75, loss: 0.07733399607241154
Test_acc: 0.7
--------------------------
Epoch 76, loss: 0.07692964188754559
Test_acc: 0.7333333333333333
--------------------------
Epoch 77, loss: 0.07652989029884338
Test_acc: 0.7333333333333333
--------------------------
Epoch 78, loss: 0.07613467052578926
Test_acc: 0.7333333333333333
--------------------------
Epoch 79, loss: 0.0757439099252224
Test_acc: 0.7333333333333333
--------------------------
Epoch 80, loss: 0.07535756006836891
Test_acc: 0.7333333333333333
--------------------------
Epoch 81, loss: 0.07497553713619709
Test_acc: 0.7333333333333333
--------------------------
Epoch 82, loss: 0.0745977833867073
Test_acc: 0.7333333333333333
--------------------------
Epoch 83, loss: 0.07422423176467419
Test_acc: 0.7333333333333333
--------------------------
Epoch 84, loss: 0.07385483663529158
Test_acc: 0.7333333333333333
--------------------------
Epoch 85, loss: 0.07348953373730183
Test_acc: 0.7333333333333333
--------------------------
Epoch 86, loss: 0.07312826719135046
Test_acc: 0.7333333333333333
--------------------------
Epoch 87, loss: 0.07277097087353468
Test_acc: 0.7666666666666667
--------------------------
Epoch 88, loss: 0.07241760101169348
Test_acc: 0.7666666666666667
--------------------------
Epoch 89, loss: 0.07206810917705297
Test_acc: 0.7666666666666667
--------------------------
Epoch 90, loss: 0.07172242272645235
Test_acc: 0.7666666666666667
--------------------------
Epoch 91, loss: 0.07138051465153694
Test_acc: 0.7666666666666667
--------------------------
Epoch 92, loss: 0.07104231137782335
Test_acc: 0.7666666666666667
--------------------------
Epoch 93, loss: 0.07070777844637632
Test_acc: 0.8
--------------------------
Epoch 94, loss: 0.0703768515959382
Test_acc: 0.8333333333333334
--------------------------
Epoch 95, loss: 0.07004949729889631
Test_acc: 0.8666666666666667
--------------------------
Epoch 96, loss: 0.06972566526383162
Test_acc: 0.8666666666666667
--------------------------
Epoch 97, loss: 0.06940531078726053
Test_acc: 0.8666666666666667
--------------------------
Epoch 98, loss: 0.06908838357776403
Test_acc: 0.8666666666666667
--------------------------
Epoch 99, loss: 0.06877483800053596
Test_acc: 0.8666666666666667
--------------------------
Epoch 100, loss: 0.06846463121473789
Test_acc: 0.8666666666666667
--------------------------
Epoch 101, loss: 0.06815772037953138
Test_acc: 0.8666666666666667
--------------------------
Epoch 102, loss: 0.06785407196730375
Test_acc: 0.9
--------------------------
Epoch 103, loss: 0.06755362544208765
Test_acc: 0.9
--------------------------
Epoch 104, loss: 0.06725634541362524
Test_acc: 0.9
--------------------------
Epoch 105, loss: 0.06696220207959414
Test_acc: 0.9
--------------------------
Epoch 106, loss: 0.06667114049196243
Test_acc: 0.9
--------------------------
Epoch 107, loss: 0.06638312805444002
Test_acc: 0.9
--------------------------
Epoch 108, loss: 0.06609812844544649
Test_acc: 0.9
--------------------------
Epoch 109, loss: 0.06581609137356281
Test_acc: 0.9
--------------------------
Epoch 110, loss: 0.06553698610514402
Test_acc: 0.9
--------------------------
Epoch 111, loss: 0.06526077724993229
Test_acc: 0.9
--------------------------
Epoch 112, loss: 0.06498742010444403
Test_acc: 0.9
--------------------------
Epoch 113, loss: 0.06471689231693745
Test_acc: 0.9
--------------------------
Epoch 114, loss: 0.0644491370767355
Test_acc: 0.9
--------------------------
Epoch 115, loss: 0.06418413948267698
Test_acc: 0.9
--------------------------
Epoch 116, loss: 0.06392183806747198
Test_acc: 0.9333333333333333
--------------------------
Epoch 117, loss: 0.06366223003715277
Test_acc: 0.9333333333333333
--------------------------
Epoch 118, loss: 0.06340525485575199
Test_acc: 0.9333333333333333
--------------------------
Epoch 119, loss: 0.06315089110285044
Test_acc: 0.9333333333333333
--------------------------
Epoch 120, loss: 0.06289910152554512
Test_acc: 0.9333333333333333
--------------------------
Epoch 121, loss: 0.06264986470341682
Test_acc: 0.9333333333333333
--------------------------
Epoch 122, loss: 0.06240313034504652
Test_acc: 0.9333333333333333
--------------------------
Epoch 123, loss: 0.06215887423604727
Test_acc: 0.9333333333333333
--------------------------
Epoch 124, loss: 0.061917063780128956
Test_acc: 0.9333333333333333
--------------------------
Epoch 125, loss: 0.06167767569422722
Test_acc: 0.9333333333333333
--------------------------
Epoch 126, loss: 0.0614406717941165
Test_acc: 0.9333333333333333
--------------------------
Epoch 127, loss: 0.061206008307635784
Test_acc: 0.9333333333333333
--------------------------
Epoch 128, loss: 0.060973694548010826
Test_acc: 0.9333333333333333
--------------------------
Epoch 129, loss: 0.06074365507811308
Test_acc: 0.9333333333333333
--------------------------
Epoch 130, loss: 0.06051589734852314
Test_acc: 0.9333333333333333
--------------------------
Epoch 131, loss: 0.06029036268591881
Test_acc: 0.9333333333333333
--------------------------
Epoch 132, loss: 0.060067045502364635
Test_acc: 0.9333333333333333
--------------------------
Epoch 133, loss: 0.05984591133892536
Test_acc: 0.9333333333333333
--------------------------
Epoch 134, loss: 0.05962692201137543
Test_acc: 0.9333333333333333
--------------------------
Epoch 135, loss: 0.059410061687231064
Test_acc: 0.9333333333333333
--------------------------
Epoch 136, loss: 0.05919529777020216
Test_acc: 0.9333333333333333
--------------------------
Epoch 137, loss: 0.05898261349648237
Test_acc: 0.9333333333333333
--------------------------
Epoch 138, loss: 0.058771959505975246
Test_acc: 0.9333333333333333
--------------------------
Epoch 139, loss: 0.05856333766132593
Test_acc: 0.9333333333333333
--------------------------
Epoch 140, loss: 0.05835672002285719
Test_acc: 0.9333333333333333
--------------------------
Epoch 141, loss: 0.05815205816179514
Test_acc: 0.9333333333333333
--------------------------
Epoch 142, loss: 0.05794934090226889
Test_acc: 0.9333333333333333
--------------------------
Epoch 143, loss: 0.057748555205762386
Test_acc: 0.9333333333333333
--------------------------
Epoch 144, loss: 0.057549663819372654
Test_acc: 0.9333333333333333
--------------------------
Epoch 145, loss: 0.05735263880342245
Test_acc: 0.9333333333333333
--------------------------
Epoch 146, loss: 0.057157471776008606
Test_acc: 0.9333333333333333
--------------------------
Epoch 147, loss: 0.056964135728776455
Test_acc: 0.9333333333333333
--------------------------
Epoch 148, loss: 0.056772587820887566
Test_acc: 0.9333333333333333
--------------------------
Epoch 149, loss: 0.056582833640277386
Test_acc: 0.9333333333333333
--------------------------
Epoch 150, loss: 0.056394835002720356
Test_acc: 0.9333333333333333
--------------------------
Epoch 151, loss: 0.05620857235044241
Test_acc: 0.9333333333333333
--------------------------
Epoch 152, loss: 0.05602401867508888
Test_acc: 0.9333333333333333
--------------------------
Epoch 153, loss: 0.0558411655947566
Test_acc: 0.9333333333333333
--------------------------
Epoch 154, loss: 0.055659991689026356
Test_acc: 0.9666666666666667
--------------------------
Epoch 155, loss: 0.05548046622425318
Test_acc: 0.9666666666666667
--------------------------
Epoch 156, loss: 0.05530256778001785
Test_acc: 0.9666666666666667
--------------------------
Epoch 157, loss: 0.05512629449367523
Test_acc: 0.9666666666666667
--------------------------
Epoch 158, loss: 0.054951599799096584
Test_acc: 0.9666666666666667
--------------------------
Epoch 159, loss: 0.054778482764959335
Test_acc: 0.9666666666666667
--------------------------
Epoch 160, loss: 0.05460691638290882
Test_acc: 0.9666666666666667
--------------------------
Epoch 161, loss: 0.05443689413368702
Test_acc: 0.9666666666666667
--------------------------
Epoch 162, loss: 0.05426838621497154
Test_acc: 0.9666666666666667
--------------------------
Epoch 163, loss: 0.054101383313536644
Test_acc: 0.9666666666666667
--------------------------
Epoch 164, loss: 0.053935843519866467
Test_acc: 0.9666666666666667
--------------------------
Epoch 165, loss: 0.05377177894115448
Test_acc: 0.9666666666666667
--------------------------
Epoch 166, loss: 0.05360914394259453
Test_acc: 0.9666666666666667
--------------------------
Epoch 167, loss: 0.05344794970005751
Test_acc: 0.9666666666666667
--------------------------
Epoch 168, loss: 0.05328815616667271
Test_acc: 0.9666666666666667
--------------------------
Epoch 169, loss: 0.05312975402921438
Test_acc: 0.9666666666666667
--------------------------
Epoch 170, loss: 0.052972735837101936
Test_acc: 0.9666666666666667
--------------------------
Epoch 171, loss: 0.05281707737594843
Test_acc: 0.9666666666666667
--------------------------
Epoch 172, loss: 0.05266275256872177
Test_acc: 1.0
--------------------------
Epoch 173, loss: 0.05250975862145424
Test_acc: 1.0
--------------------------
Epoch 174, loss: 0.052358074113726616
Test_acc: 1.0
--------------------------
Epoch 175, loss: 0.05220768600702286
Test_acc: 1.0
--------------------------
Epoch 176, loss: 0.052058578468859196
Test_acc: 1.0
--------------------------
Epoch 177, loss: 0.05191073380410671
Test_acc: 1.0
--------------------------
Epoch 178, loss: 0.05176414083689451
Test_acc: 1.0
--------------------------
Epoch 179, loss: 0.0516187883913517
Test_acc: 1.0
--------------------------
Epoch 180, loss: 0.05147465504705906
Test_acc: 1.0
--------------------------
Epoch 181, loss: 0.05133172497153282
Test_acc: 1.0
--------------------------
Epoch 182, loss: 0.051189983263611794
Test_acc: 1.0
--------------------------
Epoch 183, loss: 0.05104943085461855
Test_acc: 1.0
--------------------------
Epoch 184, loss: 0.05091002769768238
Test_acc: 1.0
--------------------------
Epoch 185, loss: 0.050771783106029034
Test_acc: 1.0
--------------------------
Epoch 186, loss: 0.05063467938452959
Test_acc: 1.0
--------------------------
Epoch 187, loss: 0.05049870163202286
Test_acc: 1.0
--------------------------
Epoch 188, loss: 0.050363825634121895
Test_acc: 1.0
--------------------------
Epoch 189, loss: 0.050230056047439575
Test_acc: 1.0
--------------------------
Epoch 190, loss: 0.05009737238287926
Test_acc: 1.0
--------------------------
Epoch 191, loss: 0.04996575601398945
Test_acc: 1.0
--------------------------
Epoch 192, loss: 0.04983521066606045
Test_acc: 1.0
--------------------------
Epoch 193, loss: 0.04970570746809244
Test_acc: 1.0
--------------------------
Epoch 194, loss: 0.04957723896950483
Test_acc: 1.0
--------------------------
Epoch 195, loss: 0.049449799582362175
Test_acc: 1.0
--------------------------
Epoch 196, loss: 0.04932337533682585
Test_acc: 1.0
--------------------------
Epoch 197, loss: 0.04919794853776693
Test_acc: 1.0
--------------------------
Epoch 198, loss: 0.049073513597249985
Test_acc: 1.0
--------------------------
Epoch 199, loss: 0.04895007237792015
Test_acc: 1.0
--------------------------
Epoch 200, loss: 0.048827577382326126
Test_acc: 1.0
--------------------------
Epoch 201, loss: 0.0487060584127903
Test_acc: 1.0
--------------------------
Epoch 202, loss: 0.048585476353764534
Test_acc: 1.0
--------------------------
Epoch 203, loss: 0.048465835861861706
Test_acc: 1.0
--------------------------
Epoch 204, loss: 0.04834711365401745
Test_acc: 1.0
--------------------------
Epoch 205, loss: 0.04822932556271553
Test_acc: 1.0
--------------------------
Epoch 206, loss: 0.04811242874711752
Test_acc: 1.0
--------------------------
Epoch 207, loss: 0.04799642879515886
Test_acc: 1.0
--------------------------
Epoch 208, loss: 0.04788132105022669
Test_acc: 1.0
--------------------------
Epoch 209, loss: 0.0477670868858695
Test_acc: 1.0
--------------------------
Epoch 210, loss: 0.04765371419489384
Test_acc: 1.0
--------------------------
Epoch 211, loss: 0.04754120670258999
Test_acc: 1.0
--------------------------
Epoch 212, loss: 0.04742954485118389
Test_acc: 1.0
--------------------------
Epoch 213, loss: 0.047318716533482075
Test_acc: 1.0
--------------------------
Epoch 214, loss: 0.047208729200065136
Test_acc: 1.0
--------------------------
Epoch 215, loss: 0.04709955025464296
Test_acc: 1.0
--------------------------
Epoch 216, loss: 0.0469911890104413
Test_acc: 1.0
--------------------------
Epoch 217, loss: 0.046883635222911835
Test_acc: 1.0
--------------------------
Epoch 218, loss: 0.04677686560899019
Test_acc: 1.0
--------------------------
Epoch 219, loss: 0.04667089320719242
Test_acc: 1.0
--------------------------
Epoch 220, loss: 0.04656569194048643
Test_acc: 1.0
--------------------------
Epoch 221, loss: 0.046461266465485096
Test_acc: 1.0
--------------------------
Epoch 222, loss: 0.04635759815573692
Test_acc: 1.0
--------------------------
Epoch 223, loss: 0.04625467676669359
Test_acc: 1.0
--------------------------
Epoch 224, loss: 0.04615251254290342
Test_acc: 1.0
--------------------------
Epoch 225, loss: 0.04605107754468918
Test_acc: 1.0
--------------------------
Epoch 226, loss: 0.04595038294792175
Test_acc: 1.0
--------------------------
Epoch 227, loss: 0.04585039149969816
Test_acc: 1.0
--------------------------
Epoch 228, loss: 0.045751129277050495
Test_acc: 1.0
--------------------------
Epoch 229, loss: 0.04565256554633379
Test_acc: 1.0
--------------------------
Epoch 230, loss: 0.04555471055209637
Test_acc: 1.0
--------------------------
Epoch 231, loss: 0.04545754473656416
Test_acc: 1.0
--------------------------
Epoch 232, loss: 0.045361065305769444
Test_acc: 1.0
--------------------------
Epoch 233, loss: 0.04526526387780905
Test_acc: 1.0
--------------------------
Epoch 234, loss: 0.0451701283454895
Test_acc: 1.0
--------------------------
Epoch 235, loss: 0.04507565312087536
Test_acc: 1.0
--------------------------
Epoch 236, loss: 0.04498184472322464
Test_acc: 1.0
--------------------------
Epoch 237, loss: 0.0448886901140213
Test_acc: 1.0
--------------------------
Epoch 238, loss: 0.04479617811739445
Test_acc: 1.0
--------------------------
Epoch 239, loss: 0.044704293832182884
Test_acc: 1.0
--------------------------
Epoch 240, loss: 0.044613052159547806
Test_acc: 1.0
--------------------------
Epoch 241, loss: 0.04452243912965059
Test_acc: 1.0
--------------------------
Epoch 242, loss: 0.044432430528104305
Test_acc: 1.0
--------------------------
Epoch 243, loss: 0.04434303846210241
Test_acc: 1.0
--------------------------
Epoch 244, loss: 0.04425426200032234
Test_acc: 1.0
--------------------------
Epoch 245, loss: 0.044166077859699726
Test_acc: 1.0
--------------------------
Epoch 246, loss: 0.044078496284782887
Test_acc: 1.0
--------------------------
Epoch 247, loss: 0.04399149212986231
Test_acc: 1.0
--------------------------
Epoch 248, loss: 0.04390507936477661
Test_acc: 1.0
--------------------------
Epoch 249, loss: 0.04381924029439688
Test_acc: 1.0
--------------------------
Epoch 250, loss: 0.04373397026211023
Test_acc: 1.0
--------------------------
Epoch 251, loss: 0.043649270199239254
Test_acc: 1.0
--------------------------
Epoch 252, loss: 0.04356513358652592
Test_acc: 1.0
--------------------------
Epoch 253, loss: 0.043481539003551006
Test_acc: 1.0
--------------------------
Epoch 254, loss: 0.04339849762618542
Test_acc: 1.0
--------------------------
Epoch 255, loss: 0.043316007591784
Test_acc: 1.0
--------------------------
Epoch 256, loss: 0.04323405586183071
Test_acc: 1.0
--------------------------
Epoch 257, loss: 0.04315263498574495
Test_acc: 1.0
--------------------------
Epoch 258, loss: 0.0430717384442687
Test_acc: 1.0
--------------------------
Epoch 259, loss: 0.04299136530607939
Test_acc: 1.0
--------------------------
Epoch 260, loss: 0.04291151277720928
Test_acc: 1.0
--------------------------
Epoch 261, loss: 0.042832170613110065
Test_acc: 1.0
--------------------------
Epoch 262, loss: 0.04275335278362036
Test_acc: 1.0
--------------------------
Epoch 263, loss: 0.04267502296715975
Test_acc: 1.0
--------------------------
Epoch 264, loss: 0.04259719233959913
Test_acc: 1.0
--------------------------
Epoch 265, loss: 0.04251985810697079
Test_acc: 1.0
--------------------------
Epoch 266, loss: 0.042443012818694115
Test_acc: 1.0
--------------------------
Epoch 267, loss: 0.042366660200059414
Test_acc: 1.0
--------------------------
Epoch 268, loss: 0.04229078255593777
Test_acc: 1.0
--------------------------
Epoch 269, loss: 0.04221538454294205
Test_acc: 1.0
--------------------------
Epoch 270, loss: 0.042140441946685314
Test_acc: 1.0
--------------------------
Epoch 271, loss: 0.04206597991287708
Test_acc: 1.0
--------------------------
Epoch 272, loss: 0.04199198726564646
Test_acc: 1.0
--------------------------
Epoch 273, loss: 0.041918426752090454
Test_acc: 1.0
--------------------------
Epoch 274, loss: 0.041845343075692654
Test_acc: 1.0
--------------------------
Epoch 275, loss: 0.04177270736545324
Test_acc: 1.0
--------------------------
Epoch 276, loss: 0.0417005093768239
Test_acc: 1.0
--------------------------
Epoch 277, loss: 0.0416287686675787
Test_acc: 1.0
--------------------------
Epoch 278, loss: 0.04155744984745979
Test_acc: 1.0
--------------------------
Epoch 279, loss: 0.04148657154291868
Test_acc: 1.0
--------------------------
Epoch 280, loss: 0.04141611512750387
Test_acc: 1.0
--------------------------
Epoch 281, loss: 0.04134609643369913
Test_acc: 1.0
--------------------------
Epoch 282, loss: 0.04127649776637554
Test_acc: 1.0
--------------------------
Epoch 283, loss: 0.04120731819421053
Test_acc: 1.0
--------------------------
Epoch 284, loss: 0.04113853815943003
Test_acc: 1.0
--------------------------
Epoch 285, loss: 0.04107018653303385
Test_acc: 1.0
--------------------------
Epoch 286, loss: 0.041002231650054455
Test_acc: 1.0
--------------------------
Epoch 287, loss: 0.04093468468636274
Test_acc: 1.0
--------------------------
Epoch 288, loss: 0.04086754657328129
Test_acc: 1.0
--------------------------
Epoch 289, loss: 0.04080079682171345
Test_acc: 1.0
--------------------------
Epoch 290, loss: 0.0407344289124012
Test_acc: 1.0
--------------------------
Epoch 291, loss: 0.04066846426576376
Test_acc: 1.0
--------------------------
Epoch 292, loss: 0.04060289170593023
Test_acc: 1.0
--------------------------
Epoch 293, loss: 0.04053768701851368
Test_acc: 1.0
--------------------------
Epoch 294, loss: 0.04047286417335272
Test_acc: 1.0
--------------------------
Epoch 295, loss: 0.040408430621027946
Test_acc: 1.0
--------------------------
Epoch 296, loss: 0.040344350039958954
Test_acc: 1.0
--------------------------
Epoch 297, loss: 0.040280651301145554
Test_acc: 1.0
--------------------------
Epoch 298, loss: 0.0402173176407814
Test_acc: 1.0
--------------------------
Epoch 299, loss: 0.040154339745640755
Test_acc: 1.0
--------------------------
Epoch 300, loss: 0.04009173717349768
Test_acc: 1.0
--------------------------
Epoch 301, loss: 0.04002948431298137
Test_acc: 1.0
--------------------------
Epoch 302, loss: 0.03996757743880153
Test_acc: 1.0
--------------------------
Epoch 303, loss: 0.03990603378042579
Test_acc: 1.0
--------------------------
Epoch 304, loss: 0.03984482493251562
Test_acc: 1.0
--------------------------
Epoch 305, loss: 0.03978396812453866
Test_acc: 1.0
--------------------------
Epoch 306, loss: 0.039723457768559456
Test_acc: 1.0
--------------------------
Epoch 307, loss: 0.03966327989473939
Test_acc: 1.0
--------------------------
Epoch 308, loss: 0.039603440556675196
Test_acc: 1.0
--------------------------
Epoch 309, loss: 0.03954394068568945
Test_acc: 1.0
--------------------------
Epoch 310, loss: 0.039484762120991945
Test_acc: 1.0
--------------------------
Epoch 311, loss: 0.03942591277882457
Test_acc: 1.0
--------------------------
Epoch 312, loss: 0.039367393124848604
Test_acc: 1.0
--------------------------
Epoch 313, loss: 0.03930919663980603
Test_acc: 1.0
--------------------------
Epoch 314, loss: 0.039251307025551796
Test_acc: 1.0
--------------------------
Epoch 315, loss: 0.0391937461681664
Test_acc: 1.0
--------------------------
Epoch 316, loss: 0.03913650056347251
Test_acc: 1.0
--------------------------
Epoch 317, loss: 0.039079560432583094
Test_acc: 1.0
--------------------------
Epoch 318, loss: 0.03902293462306261
Test_acc: 1.0
--------------------------
Epoch 319, loss: 0.038966610096395016
Test_acc: 1.0
--------------------------
Epoch 320, loss: 0.038910599425435066
Test_acc: 1.0
--------------------------
Epoch 321, loss: 0.038854886312037706
Test_acc: 1.0
--------------------------
Epoch 322, loss: 0.03879946889355779
Test_acc: 1.0
--------------------------
Epoch 323, loss: 0.03874435229226947
Test_acc: 1.0
--------------------------
Epoch 324, loss: 0.03868952440097928
Test_acc: 1.0
--------------------------
Epoch 325, loss: 0.03863499779254198
Test_acc: 1.0
--------------------------
Epoch 326, loss: 0.03858075523748994
Test_acc: 1.0
--------------------------
Epoch 327, loss: 0.038526798598468304
Test_acc: 1.0
--------------------------
Epoch 328, loss: 0.03847313718870282
Test_acc: 1.0
--------------------------
Epoch 329, loss: 0.03841974260285497
Test_acc: 1.0
--------------------------
Epoch 330, loss: 0.038366641849279404
Test_acc: 1.0
--------------------------
Epoch 331, loss: 0.038313813507556915
Test_acc: 1.0
--------------------------
Epoch 332, loss: 0.0382612687535584
Test_acc: 1.0
--------------------------
Epoch 333, loss: 0.038208982441574335
Test_acc: 1.0
--------------------------
Epoch 334, loss: 0.03815697692334652
Test_acc: 1.0
--------------------------
Epoch 335, loss: 0.038105251267552376
Test_acc: 1.0
--------------------------
Epoch 336, loss: 0.03805377194657922
Test_acc: 1.0
--------------------------
Epoch 337, loss: 0.03800258273258805
Test_acc: 1.0
--------------------------
Epoch 338, loss: 0.03795163659378886
Test_acc: 1.0
--------------------------
Epoch 339, loss: 0.03790096240118146
Test_acc: 1.0
--------------------------
Epoch 340, loss: 0.037850544322282076
Test_acc: 1.0
--------------------------
Epoch 341, loss: 0.037800392135977745
Test_acc: 1.0
--------------------------
Epoch 342, loss: 0.03775048675015569
Test_acc: 1.0
--------------------------
Epoch 343, loss: 0.03770083421841264
Test_acc: 1.0
--------------------------
Epoch 344, loss: 0.03765142755582929
Test_acc: 1.0
--------------------------
Epoch 345, loss: 0.03760228073224425
Test_acc: 1.0
--------------------------
Epoch 346, loss: 0.037553375121206045
Test_acc: 1.0
--------------------------
Epoch 347, loss: 0.037504717241972685
Test_acc: 1.0
--------------------------
Epoch 348, loss: 0.03745630802586675
Test_acc: 1.0
--------------------------
Epoch 349, loss: 0.03740813536569476
Test_acc: 1.0
--------------------------
Epoch 350, loss: 0.03736020205542445
Test_acc: 1.0
--------------------------
Epoch 351, loss: 0.03731251088902354
Test_acc: 1.0
--------------------------
Epoch 352, loss: 0.037265047896653414
Test_acc: 1.0
--------------------------
Epoch 353, loss: 0.03721782425418496
Test_acc: 1.0
--------------------------
Epoch 354, loss: 0.03717083437368274
Test_acc: 1.0
--------------------------
Epoch 355, loss: 0.0371240833774209
Test_acc: 1.0
--------------------------
Epoch 356, loss: 0.037077543791383505
Test_acc: 1.0
--------------------------
Epoch 357, loss: 0.037031250074505806
Test_acc: 1.0
--------------------------
Epoch 358, loss: 0.03698517242446542
Test_acc: 1.0
--------------------------
Epoch 359, loss: 0.036939325742423534
Test_acc: 1.0
--------------------------
Epoch 360, loss: 0.036893694661557674
Test_acc: 1.0
--------------------------
Epoch 361, loss: 0.03684829594567418
Test_acc: 1.0
--------------------------
Epoch 362, loss: 0.03680310631170869
Test_acc: 1.0
--------------------------
Epoch 363, loss: 0.03675813181325793
Test_acc: 1.0
--------------------------
Epoch 364, loss: 0.03671338176354766
Test_acc: 1.0
--------------------------
Epoch 365, loss: 0.036668846383690834
Test_acc: 1.0
--------------------------
Epoch 366, loss: 0.036624512169510126
Test_acc: 1.0
--------------------------
Epoch 367, loss: 0.03658040286973119
Test_acc: 1.0
--------------------------
Epoch 368, loss: 0.03653649287298322
Test_acc: 1.0
--------------------------
Epoch 369, loss: 0.036492806393653154
Test_acc: 1.0
--------------------------
Epoch 370, loss: 0.03644930897280574
Test_acc: 1.0
--------------------------
Epoch 371, loss: 0.03640603506937623
Test_acc: 1.0
--------------------------
Epoch 372, loss: 0.03636295720934868
Test_acc: 1.0
--------------------------
Epoch 373, loss: 0.03632007632404566
Test_acc: 1.0
--------------------------
Epoch 374, loss: 0.03627739567309618
Test_acc: 1.0
--------------------------
Epoch 375, loss: 0.03623492689803243
Test_acc: 1.0
--------------------------
Epoch 376, loss: 0.03619264578446746
Test_acc: 1.0
--------------------------
Epoch 377, loss: 0.03615056490525603
Test_acc: 1.0
--------------------------
Epoch 378, loss: 0.03610867401584983
Test_acc: 1.0
--------------------------
Epoch 379, loss: 0.03606699127703905
Test_acc: 1.0
--------------------------
Epoch 380, loss: 0.0360254873521626
Test_acc: 1.0
--------------------------
Epoch 381, loss: 0.03598418226465583
Test_acc: 1.0
--------------------------
Epoch 382, loss: 0.035943064372986555
Test_acc: 1.0
--------------------------
Epoch 383, loss: 0.03590213134884834
Test_acc: 1.0
--------------------------
Epoch 384, loss: 0.03586139436811209
Test_acc: 1.0
--------------------------
Epoch 385, loss: 0.03582083620131016
Test_acc: 1.0
--------------------------
Epoch 386, loss: 0.03578046336770058
Test_acc: 1.0
--------------------------
Epoch 387, loss: 0.035740265157073736
Test_acc: 1.0
--------------------------
Epoch 388, loss: 0.035700270906090736
Test_acc: 1.0
--------------------------
Epoch 389, loss: 0.03566044708713889
Test_acc: 1.0
--------------------------
Epoch 390, loss: 0.03562079882249236
Test_acc: 1.0
--------------------------
Epoch 391, loss: 0.03558133728802204
Test_acc: 1.0
--------------------------
Epoch 392, loss: 0.03554204432293773
Test_acc: 1.0
--------------------------
Epoch 393, loss: 0.035502918530255556
Test_acc: 1.0
--------------------------
Epoch 394, loss: 0.03546397993341088
Test_acc: 1.0
--------------------------
Epoch 395, loss: 0.03542521921917796
Test_acc: 1.0
--------------------------
Epoch 396, loss: 0.035386621952056885
Test_acc: 1.0
--------------------------
Epoch 397, loss: 0.03534820443019271
Test_acc: 1.0
--------------------------
Epoch 398, loss: 0.03530995547771454
Test_acc: 1.0
--------------------------
Epoch 399, loss: 0.035271866247057915
Test_acc: 1.0
--------------------------
Epoch 400, loss: 0.035233952570706606
Test_acc: 1.0
--------------------------
Epoch 401, loss: 0.03519619721919298
Test_acc: 1.0
--------------------------
Epoch 402, loss: 0.035158613696694374
Test_acc: 1.0
--------------------------
Epoch 403, loss: 0.03512119082733989
Test_acc: 1.0
--------------------------
Epoch 404, loss: 0.03508393885567784
Test_acc: 1.0
--------------------------
Epoch 405, loss: 0.03504684800282121
Test_acc: 1.0
--------------------------
Epoch 406, loss: 0.03500990755856037
Test_acc: 1.0
--------------------------
Epoch 407, loss: 0.03497313568368554
Test_acc: 1.0
--------------------------
Epoch 408, loss: 0.03493652539327741
Test_acc: 1.0
--------------------------
Epoch 409, loss: 0.03490006271749735
Test_acc: 1.0
--------------------------
Epoch 410, loss: 0.034863767214119434
Test_acc: 1.0
--------------------------
Epoch 411, loss: 0.03482761513441801
Test_acc: 1.0
--------------------------
Epoch 412, loss: 0.03479163674637675
Test_acc: 1.0
--------------------------
Epoch 413, loss: 0.03475578920915723
Test_acc: 1.0
--------------------------
Epoch 414, loss: 0.03472010465338826
Test_acc: 1.0
--------------------------
Epoch 415, loss: 0.03468457283452153
Test_acc: 1.0
--------------------------
Epoch 416, loss: 0.03464920772239566
Test_acc: 1.0
--------------------------
Epoch 417, loss: 0.03461397020146251
Test_acc: 1.0
--------------------------
Epoch 418, loss: 0.03457888122648001
Test_acc: 1.0
--------------------------
Epoch 419, loss: 0.03454395616427064
Test_acc: 1.0
--------------------------
Epoch 420, loss: 0.03450916334986687
Test_acc: 1.0
--------------------------
Epoch 421, loss: 0.03447452560067177
Test_acc: 1.0
--------------------------
Epoch 422, loss: 0.03444002754986286
Test_acc: 1.0
--------------------------
Epoch 423, loss: 0.03440567199140787
Test_acc: 1.0
--------------------------
Epoch 424, loss: 0.03437146591022611
Test_acc: 1.0
--------------------------
Epoch 425, loss: 0.03433739673346281
Test_acc: 1.0
--------------------------
Epoch 426, loss: 0.03430347004905343
Test_acc: 1.0
--------------------------
Epoch 427, loss: 0.03426968399435282
Test_acc: 1.0
--------------------------
Epoch 428, loss: 0.034236034378409386
Test_acc: 1.0
--------------------------
Epoch 429, loss: 0.034202526323497295
Test_acc: 1.0
--------------------------
Epoch 430, loss: 0.03416916402056813
Test_acc: 1.0
--------------------------
Epoch 431, loss: 0.034135926980525255
Test_acc: 1.0
--------------------------
Epoch 432, loss: 0.034102828707545996
Test_acc: 1.0
--------------------------
Epoch 433, loss: 0.03406985942274332
Test_acc: 1.0
--------------------------
Epoch 434, loss: 0.034037035424262285
Test_acc: 1.0
--------------------------
Epoch 435, loss: 0.03400434134528041
Test_acc: 1.0
--------------------------
Epoch 436, loss: 0.03397177252918482
Test_acc: 1.0
--------------------------
Epoch 437, loss: 0.03393934154883027
Test_acc: 1.0
--------------------------
Epoch 438, loss: 0.03390704747289419
Test_acc: 1.0
--------------------------
Epoch 439, loss: 0.03387487819418311
Test_acc: 1.0
--------------------------
Epoch 440, loss: 0.03384283697232604
Test_acc: 1.0
--------------------------
Epoch 441, loss: 0.033810924272984266
Test_acc: 1.0
--------------------------
Epoch 442, loss: 0.03377913776785135
Test_acc: 1.0
--------------------------
Epoch 443, loss: 0.033747484907507896
Test_acc: 1.0
--------------------------
Epoch 444, loss: 0.033715959172695875
Test_acc: 1.0
--------------------------
Epoch 445, loss: 0.033684548921883106
Test_acc: 1.0
--------------------------
Epoch 446, loss: 0.03365326812490821
Test_acc: 1.0
--------------------------
Epoch 447, loss: 0.03362210327759385
Test_acc: 1.0
--------------------------
Epoch 448, loss: 0.033591081853955984
Test_acc: 1.0
--------------------------
Epoch 449, loss: 0.03356016241014004
Test_acc: 1.0
--------------------------
Epoch 450, loss: 0.033529377076774836
Test_acc: 1.0
--------------------------
Epoch 451, loss: 0.03349870443344116
Test_acc: 1.0
--------------------------
Epoch 452, loss: 0.03346816310659051
Test_acc: 1.0
--------------------------
Epoch 453, loss: 0.03343772189691663
Test_acc: 1.0
--------------------------
Epoch 454, loss: 0.033407419454306364
Test_acc: 1.0
--------------------------
Epoch 455, loss: 0.03337721945717931
Test_acc: 1.0
--------------------------
Epoch 456, loss: 0.0333471498452127
Test_acc: 1.0
--------------------------
Epoch 457, loss: 0.03331718221306801
Test_acc: 1.0
--------------------------
Epoch 458, loss: 0.03328734589740634
Test_acc: 1.0
--------------------------
Epoch 459, loss: 0.0332576185464859
Test_acc: 1.0
--------------------------
Epoch 460, loss: 0.033227997832000256
Test_acc: 1.0
--------------------------
Epoch 461, loss: 0.033198502380400896
Test_acc: 1.0
--------------------------
Epoch 462, loss: 0.03316910658031702
Test_acc: 1.0
--------------------------
Epoch 463, loss: 0.033139838837087154
Test_acc: 1.0
--------------------------
Epoch 464, loss: 0.033110679127275944
Test_acc: 1.0
--------------------------
Epoch 465, loss: 0.03308162838220596
Test_acc: 1.0
--------------------------
Epoch 466, loss: 0.033052682876586914
Test_acc: 1.0
--------------------------
Epoch 467, loss: 0.033023848198354244
Test_acc: 1.0
--------------------------
Epoch 468, loss: 0.032995129469782114
Test_acc: 1.0
--------------------------
Epoch 469, loss: 0.03296651318669319
Test_acc: 1.0
--------------------------
Epoch 470, loss: 0.03293801099061966
Test_acc: 1.0
--------------------------
Epoch 471, loss: 0.032909611240029335
Test_acc: 1.0
--------------------------
Epoch 472, loss: 0.032881323248147964
Test_acc: 1.0
--------------------------
Epoch 473, loss: 0.032853142358362675
Test_acc: 1.0
--------------------------
Epoch 474, loss: 0.032825060188770294
Test_acc: 1.0
--------------------------
Epoch 475, loss: 0.032797076273709536
Test_acc: 1.0
--------------------------
Epoch 476, loss: 0.03276920411735773
Test_acc: 1.0
--------------------------
Epoch 477, loss: 0.03274143813177943
Test_acc: 1.0
--------------------------
Epoch 478, loss: 0.03271376574411988
Test_acc: 1.0
--------------------------
Epoch 479, loss: 0.03268621163442731
Test_acc: 1.0
--------------------------
Epoch 480, loss: 0.032658747397363186
Test_acc: 1.0
--------------------------
Epoch 481, loss: 0.03263138281181455
Test_acc: 1.0
--------------------------
Epoch 482, loss: 0.0326041323132813
Test_acc: 1.0
--------------------------
Epoch 483, loss: 0.032576972618699074
Test_acc: 1.0
--------------------------
Epoch 484, loss: 0.03254991164430976
Test_acc: 1.0
--------------------------
Epoch 485, loss: 0.03252295032143593
Test_acc: 1.0
--------------------------
Epoch 486, loss: 0.032496096566319466
Test_acc: 1.0
--------------------------
Epoch 487, loss: 0.03246932663023472
Test_acc: 1.0
--------------------------
Epoch 488, loss: 0.03244265867397189
Test_acc: 1.0
--------------------------
Epoch 489, loss: 0.032416089437901974
Test_acc: 1.0
--------------------------
Epoch 490, loss: 0.032389613799750805
Test_acc: 1.0
--------------------------
Epoch 491, loss: 0.032363226637244225
Test_acc: 1.0
--------------------------
Epoch 492, loss: 0.03233695309609175
Test_acc: 1.0
--------------------------
Epoch 493, loss: 0.0323107666336
Test_acc: 1.0
--------------------------
Epoch 494, loss: 0.0322846663184464
Test_acc: 1.0
--------------------------
Epoch 495, loss: 0.03225866658613086
Test_acc: 1.0
--------------------------
Epoch 496, loss: 0.032232760451734066
Test_acc: 1.0
--------------------------
Epoch 497, loss: 0.032206928823143244
Test_acc: 1.0
--------------------------
Epoch 498, loss: 0.0321812117472291
Test_acc: 1.0
--------------------------
Epoch 499, loss: 0.03215558174997568
Test_acc: 1.0
--------------------------

Process finished with exit code 0

你可能感兴趣的:(python,神经网络,深度学习)

python系列&deep_study系列：使用python操作麦克风录制讲话，实时语音识别转换为文字坦笑&&life AI系列 python 语音识别 xcode
使用python操作麦克风录制讲话，实时语音识别转换为文字使用python操作麦克风录制讲话，实时语音识别转换为文字项目步骤VoskPyaudio完整代码使用python操作麦克风录制讲话，实时语音识别转换为文字在这个项目中，我们将建立一个系统，它可以使用麦克风录制现场讲话，然后通过语音识别进行转录。这可用于自动记录和转录会议、讲座和其他活动，能过自动记录演讲内容。我们将编写代码，来开始和停止录音
python-操作符相关介绍（一）小白快快跑哦 python 开发语言
软件的过程就是数据处理的过程，前面我们讲了python的各种类型的数字，并没有去说操作符，我一直在想是讲完所有python的内置类型再去说这个问题，还是不用等到那么晚。思考再三，我觉得还是把python所遇到的操作符都说一遍，这种操作符很多人都耳熟能祥，但是温故而知新，相信再次的阅读能让你加深印象，初学者也可以通过本章的学习对操作符有一个深入的认知。说到操作符，我们不得不提到表达式，什么是表达式呢
使用Python和Vosk库实现语音识别车载testing python 语音识别开发语言
使用Python和Vosk库实现语音识别在人工智能和机器学习领域，语音识别技术正变得越来越重要。Python作为一种强大的编程语言，拥有丰富的库和框架，可以方便地实现语音识别功能。今天，我们将介绍如何使用Python中的SpeechRecognition库和Vosk模型来实现语音识别。一、SpeechRecognition库的安装SpeechRecognition库是Python中一个简单易用的语
【python】4_异常简易091 python python 开发语言
目录一、异常处理1、异常捕获基本捕获语法：捕获指定异常：捕获多个异常：捕获所有异常：异常else&finally：2、异常的传递性二、模块模块的导入方式1、语法2、as定义别名一、异常处理1、异常捕获基本捕获语法：try:可能发生错误的代码except：如果出现异常执行的代码捕获指定异常：try:print(name)exceptNameErrorase：print("name变量名未定义错误")
Python入门学习指南小码快撩 python 开发语言
Python是一种高级编程语言，因其简洁和易读性而广受欢迎。无论你是编程新手还是有经验的开发者，Python都是一个很好的选择。本文将带你入门Python编程，涵盖基本概念和常用语法。1.安装Python首先，你需要在你的计算机上安装Python。你可以从Python官方网站下载并安装最新版本的Python。安装过程中，请确保勾选“AddPythontoPATH”选项。2.第一个Python程序安
Python库Numpy学习+代码实例海绵宝宝 python numpy 学习机器学习
前言Numpy是python语言的一个扩充程序库，支持高端大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，现已成为机器学习的必备模块。本文章对Numpy库的原文档进行了学习，可作为文档阅读理解来进行阅读。附原文档链接如下：Numpy库文档库的介绍该库中的对象为多维数组，原名为ndarray，因此经常被叫做array。python中也有一个库叫做array，但是与这里的ndarra
Python+whisper/vosk实现语音识别唯余木叶下弦声 python whisper 语音识别人工智能
目录一、Whisper1、Whisper介绍2、安装Whisper3、使用Whisper-base模型4、使用Whisper-large-v3-turbo模型二、vosk1、Vosk介绍2、vosk安装3、使用vosk三、总结一、Whisper1、Whisper介绍Whisper是一个由OpenAI开发的人工智能语音识别模型，它能够将语音转换为文本。Whisper模型特别之处在于它的设计目标是能够
python与C系列语言的差异总结（4） yyc_audio python c语言前端
如果具有传统编译型语言的经验，大家可能会对是否使用字典而犹豫不决，担心字典的效率比列表或数组低。事实上Python字典的执行速度已经相当快了。Python语言的许多内部特性都依赖于字典，为提高字典的效率已经投入了大量的心血。Python的所有数据结构都经过了高度优化，因此不应该花太多时间去考虑哪个更快，哪个效率更高。pass语句也可在Python中需要语句的其他任何地方使用。pass语句用作语句的
【python】3_容器简易091 python python 开发语言
目录一、列表list1.1基本语法1.2常用操作方法1.3列表的遍历二、元组tuple特点：三、字符串常用操作方法：四、序列操作方法：切片五、元素特点：基本语法：集合常用功能：六、字典定义：注意事项：什么是容器可以存储多个元素的python数据类型python有哪些数据容器list(列表)、tuple(元组)、str(字符串)、set(集合)、dict(字典)一、列表list1.1基本语法#定义变
Python Cookbook-2.12 将二进制数据发送到 Windows 的标准输出我不会编程555 #Python学习 windows python 开发语言笔记
任务在Windows平台上，你想把二进制数据(比如一张图片)发送到stdout中。解决方案Python标准库中，依赖特定平台(Windows)的模块msvcrt提供了setmode函数，可用来完成这个任务:importsysifsys,platform=="win32":importos，msvcrtmsvcrt,setmode(sys.stdout.fileno()，os.O_BINARY)现在
chromedriver自动下载 —— python (*￣︶￣)(*^▽^*) python 开发语言
#工作实践webdriver自带的ChromeDriverManager().install()方法，对应的驱动地址自从114版本后没有更新了；隔一段时间就需要手动下载驱动，所以写了一个简单的自动更新方法，还有一些不足，勉强够用吧1、查看源码，大致是保存了一个json文件，每次获取driver最后更新版本，并更新到json文件中；然后下载最新的资源并解压到文件夹2、本来想改源码，但是有修改提示，考
Python--函数高级（上）索然无味io Python安全开发 python 开发语言 web安全 windows 网络安全笔记学习
1.函数嵌套1.1作用域与函数定义Python以函数为作用域，内部数据只能被当前作用域或子作用域访问。NAME="全局变量"defouter():definner():print(NAME)#访问全局变量inner()outer()#输出：全局变量关键点：函数查找变量时遵循LEGB规则（Local→Enclosing→Global→Built-in）函数定义的位置影响作用域（全局/局部）1.2嵌套
No module named _sqlite3 m0_60217276 python sqlite3
linux多版本python无法导入sqlite3的解决方法由于是在公司的服务器下，yum和sudo命令都无法使用。尝试了一下几种办法后，sqlite3安装+python重编译下载sqlitewgethttps://www.sqlite.org/2017/sqlite-autoconf-3170000.tar.gz--no-check-certificate解压该文件tar-zxvfsqlite-
如何用python将pdf转为text并提取其中的图片 dev.null Python python pdf 服务器
要将PDF转为文本并提取其中的图片，可以使用Python的几个库来实现：PDF转文本：使用PyMuPDF或pdfplumber来提取文本。提取图片：使用PyMuPDF或pdf2image来提取图像。以下是实现的步骤和代码示例：1.安装必要的库你需要安装以下库：pipinstallPyMuPDFpdfplumberPillow2.代码示例提取PDF中的文本你可以使用PyMuPDF或pdfplumbe
Python各类图形绘制—turtle与Matplotlib-31、扇形面积计算 Math_teacher_fan Python基础图形绘制 python matplotlib 开发语言人工智能学习
Python各类图形绘制—turtle与Matplotlib-31、扇形面积计算目录Python各类图形绘制—turtle与Matplotlib-31、扇形面积计算前言开发环境turtle_demoMatplotlib_demo前言既然是学习数学，肯定会离不开各种图形，之前的文章中很多我都尽可能的不使用图来表示了，但是觉得不好，毕竟数学离开了图就会很抽象，所以我们这里单独的学习一下Python的各
深度学习：从神经网络到智能应用 Jason_Orton 深度学习神经网络人工智能机器学习
目录引言一.什么是深度学习？二.深度学习的基本原理1.神经网络的组成2.激活函数3.反向传播（Backpropagation）三.深度学习的常见模型四.深度学习的应用场景五.深度学习的挑战与未来结语引言深度学习（DeepLearning）作为机器学习的一个分支，近年来在人工智能领域取得了革命性的进展。无论是语音识别、图像识别，还是自动驾驶、自然语言处理，深度学习都在推动着技术的发展和行业的变革。那
【Python大语言模型系列】如何在LangChain中使用ReAct构建AI Agent（案例+源码）脱泥不tony 人工智能 python 语言模型自然语言处理 AI大模型 LangChain Agent
一、引言========当前，在各个大厂纷纷卷LLM的情况下，各自都借助自己的LLM推出了自己的AIAgent，比如字节的Coze，百度的千帆等，还有开源的Dify。你是否想知道其中的原理？是否想过自己如何实现一套AIAgent？当然，借助LangChain就可以。ReAct（ReasoningandAction）是一个框架，其核心思想，就是通过思维链的方式，引导模型将复杂问题进行拆分，一步一步地
跟我一起学Python数据处理（九十六）之深入理解API lilye66 python 开发语言 apache
跟我一起学Python数据处理（九十六）之深入理解API大家好呀！在数据处理的学习道路上，咱们今天要一起探索一个超实用的领域——应用编程接口（API）。我希望能和大家一起在这个知识海洋里畅游，共同进步，掌握更多的数据处理技能。一、什么是APIAPI听起来很高大上，其实就是Web上共享数据的一种标准方式。很多网站都会通过API端点来分享数据。打个比方，API就像是网站的一扇窗户，我们通过这扇窗户向网
软件开发：创新与挑战并存的旅程 javascriptphp
在当今数字化时代，软件开发已成为推动社会进步和经济发展的核心力量，它宛如一座桥梁，连接着现实世界与数字世界，为人们的生活和工作带来了前所未有的便利和效率。编程基础：基石与翅膀编程语言精通：开发人员需熟练掌握至少一门编程语言，如Java、Python或C++等。不同的编程语言适用于不同的应用场景，如Java常用于企业级应用开发，Python在数据科学和人工智能领域应用广泛，C++则在性能要求极高的系
基于python+django的宠物商店-宠物管理系统源码+运行步骤冷琴1996 Python系统设计 python django 宠物
该系统是基于python+django开发的宠物商店-宠物管理系统。是给师妹开发的课程作业。现将源码开放给大家。大家学习过程中，如遇问题可以在github咨询作者。加油演示地址前台地址：http://pet.gitapp.cn后台地址：http://pet.gitapp.cn/admin后台管理帐号：用户名：admin123密码：admin123源码地址https://github.com/gee
代码整洁之道: 改善Python程序的9条最佳实践 AI天才研究院编程实践 Java实战 Python实战大数据人工智能语言模型 Java Python 架构设计
作者：禅与计算机程序设计艺术1.简介为什么要写一份关于代码整洁之道的文章呢？因为相信很多同学在写代码的时候总是会遇到一些坏习惯，导致代码质量不高，阅读困难等问题，所以作者在第五题提到了编程规范这块，而我相信改进自己的代码习惯无疑是提升编程水平和能力的一件大事，所以就写了一本关于代码整洁之道的书籍。那么今天我们就来看一下如何让自己写的Python程序更加清晰易读，更加可维护，更加健壮。下面我们就从9
基于 YOLO 进行车道线检测与目标检测算法研究及开发的一般步骤 pk_xz123456 python 算法深度学习 YOLO 目标检测算法
基于深度学习的车道线检测与目标检测在自动驾驶等领域有着重要应用，使用YOLO（YouOnlyLookOnce）进行开发是一种常见且高效的方式。以下是关于基于YOLO进行车道线检测与目标检测算法研究及开发的一般步骤和相关内容：1.环境搭建首先确保你的开发环境安装了必要的软件和库，推荐使用Python语言，以下是一些关键库：PyTorch：YOLO通常基于PyTorch实现，安装适合你系统的PyTor
selenium如何实现，开启浏览器的开发者工具模式 test猿 selenium 测试工具
核心配置方案pythonCopyCode#通用导入方式（适配Selenium5.x+）fromseleniumimportwebdriverfromselenium.webdriver.common.serviceimportService#---------------------------#️Chrome/Edge配置方案#---------------------------defchro
selenium如何实现，开启浏览器的开发者工具模式，并且开启 toggle移动设备模拟模式 test猿 selenium 测试工具
核心实现代码pythonCopyCodefromseleniumimportwebdriverfromselenium.webdriver.chrome.optionsimportOptionsdefenable_devtools_with_toggle():options=Options()#强制开启开发者工具options.add_argument("--auto-open-devtools-
理解CPU与GPU频繁数据传输 _DCG_ 计算机视觉深度学习神经网络 CPU GPU 数据传输
基础理解在学习深度学习神经网络过程中，有时候会遇到一些描述“尽量避免CPU与GPU频繁数据传输”。那这句话应该如何理解呢？我们知道CPU可以访问内存，而GPU也有自己的显存。要完成功能一般都是CPU从硬盘或者其他数据源读取数据到内存中，然后将内存中的传输到GPU的显存中，GPU从显存中获取数据并进行计算，并最终将计算的结果返回给CPU的内存中。整体的计算就像上面描述，但是不可忽略的是：从CPU内存
深度学习批次数据处理的理解 _DCG_ 计算机视觉深度学习人工智能
基础介绍在计算机视觉深度学习网络中，在训练阶段数据输入通常是一个批次，即不是一次输入单张图片，而是一次性输入多张图片，而神经网络的结构内部一次只能处理一张图片，这时候很自然就会考虑为什么要这样的输入？神经网络是如何处理多个数据的，下面从硬件架构的角度去分析处理。GPU硬件架构GPU的硬件架构设计是批处理能够高效运行的关键原因之一。GPU现阶段一般采用SIMT架构，它的特点如下：SIMT（Singl
用AI写游戏3——python实现坦克大战1 AnalogElectronic python数据人工智能 python 游戏 pygame
用python实现一个坦克大战小游戏，屏幕大小宽高1000x800px敌人有10个坦克，会发射子弹，会随机自由移动，碰撞到屏幕边界会反弹，我方是一个黄颜色坦克，能发子弹，能移动，子弹集中敌人坦克就爆炸消失，并得到10分，所有坦克消灭后游戏胜利，我方被敌人坦克子弹击中则爆炸消失，游戏结束。1、KIMI实现实现效果：实现一个完整的坦克大战小游戏需要使用Python的图形库，比如pygame。以下是一个
【算法】 ‘abb‘ 型子序列问题——前后缀分解 python 查理零世 python 算法
‘abb’型子序列题目描述leafee最近爱上了abb型语句，比如“叠词词”、“恶心心”leafee拿到了一个只含有小写字母的字符串，她想知道有多少个“abb”型的子序列？定义：abb型字符串满足以下条件：字符串长度为3。字符串后两位相同。字符串前两位不同。输入描述:第一行一个正整数第二行一个长度为的字符串（只包含小写字母）1≤≤1e5输出描述:“abb”型的子序列个数。示例1输入6abcbcc输
Windows下多Python版本共存 SQZHAO python windows
1.Python多版本使用在安装Python3（>=3.3）时，Python会在系统中安装一个启动器：py.exe，默认放置在文件夹C:\Windows\下。这个启动器允许我们指定使用哪个Python版本（当然前提是已经安装了相应版本的Python，并在Path中加入对应路径）使用方法py-3.7main.py#参数为Python版本号还可以在代码中加入说明，指定这个文件应该由哪个版本的Pytho
安装CUDA以及GPU版本的pytorch lskkkkkkkkkkkk Python pytorch 人工智能 python
使用pytorch进行深度学习的时候，往往想用GPU进行运算来提高速度。于是搜索便知道了CUDA。下面给出一个自检的建议：检查cuda的版本是否适配自己的GPU。打开NVDIA控制面板，点击左下角“系统信息”，然后就可以看到NVDIAGPU的详细信息，其中就包含了CUDA的版本。在官网安装合适版本的cuda-toolkit。安装了cuda，但是命令行输入nvcc-V报错显示没有nvcc这时候可能没
面向对象面向过程 3213213333332132 java
面向对象：把要完成的一件事，通过对象间的协作实现。面向过程：把要完成的一件事，通过循序依次调用各个模块实现。我把大象装进冰箱这件事为例，用面向对象和面向过程实现，都是用java代码完成。 1、面向对象 package bigDemo.ObjectOriented; /** * 大象类 * * @Description * @author FuJian
Java Hotspot: Remove the Permanent Generation bookjovi HotSpot
openjdk上关于hotspot将移除永久带的描述非常详细，http://openjdk.java.net/jeps/122 JEP 122: Remove the Permanent Generation Author Jon Masamitsu Organization Oracle Created 2010/8/15 Updated 2011/
正则表达式向前查找向后查找,环绕或零宽断言 dcj3sjt126com 正则表达式
向前查找和向后查找 1. 向前查找：根据要匹配的字符序列后面存在一个特定的字符序列(肯定式向前查找)或不存在一个特定的序列(否定式向前查找)来决定是否匹配。.NET将向前查找称之为零宽度向前查找断言。对于向前查找，出现在指定项之后的字符序列不会被正则表达式引擎返回。 2. 向后查找：一个要匹配的字符序列前面有或者没有指定的
BaseDao 171815164 seda
import java.sql.Connection; import java.sql.DriverManager; import java.sql.SQLException; import java.sql.PreparedStatement; import java.sql.ResultSet; public class BaseDao { public Conn
Ant标签详解--Java命令 g21121 Java命令
这一篇主要介绍与java相关标签的使用终于开始重头戏了，Java部分是我们关注的重点也是项目中用处最多的部分。 1
[简单]代码片段_电梯数字排列 53873039oycg 代码
今天看电梯数字排列是9 18 26这样呈倒N排列的,写了个类似的打印例子，如下: import java.util.Arrays; public class 电梯数字排列_S3_Test { public static void main(S
Hessian原理云端月影 hessian原理
Hessian 原理分析一．远程通讯协议的基本原理网络通信需要做的就是将流从一台计算机传输到另外一台计算机，基于传输协议和网络 IO 来实现，其中传输协议比较出名的有 http 、 tcp 、 udp 等等， http 、 tcp 、 udp 都是在基于 Socket 概念上为某类应用场景而扩展出的传输协
区分Activity的四种加载模式----以及Intent的setFlags aijuans android
在多Activity开发中，有可能是自己应用之间的Activity跳转，或者夹带其他应用的可复用Activity。可能会希望跳转到原来某个Activity实例，而不是产生大量重复的Activity。这需要为Activity配置特定的加载模式，而不是使用默认的加载模式。加载模式分类及在哪里配置 Activity有四种加载模式： standard singleTop
hibernate几个核心API及其查询分析 antonyup_2006 html .net Hibernate xml 配置管理
(一) org.hibernate.cfg.Configuration类读取配置文件并创建唯一的SessionFactory对象.(一般,程序初始化hibernate时创建.) Configuration co
PL/SQL的流程控制百合不是茶 oracle PL/SQL编程循环控制
PL/SQL也是一门高级语言,所以流程控制是必须要有的,oracle数据库的pl/sql比sqlserver数据库要难,很多pl/sql中有的sqlserver里面没有流程控制; 分支语句 if 条件 then 结果 else 结果 end if ; 条件语句 case when 条件 then 结果; 循环语句 loop
强大的Mockito测试框架 bijian1013 mockito 单元测试
一.自动生成Mock类在需要Mock的属性上标记@Mock注解，然后@RunWith中配置Mockito的TestRunner或者在setUp()方法中显示调用MockitoAnnotations.initMocks(this);生成Mock类即可。二.自动注入Mock类到被测试类 &nbs
精通Oracle10编程SQL(11)开发子程序 bijian1013 oracle 数据库 plsql
/* *开发子程序 */ --子程序目是指被命名的PL/SQL块，这种块可以带有参数，可以在不同应用程序中多次调用 --PL/SQL有两种类型的子程序：过程和函数 --开发过程 --建立过程：不带任何参数 CREATE OR REPLACE PROCEDURE out_time IS BEGIN DBMS_OUTPUT.put_line(systimestamp); E
【EhCache一】EhCache版Hello World bit1129 Hello world
本篇是EhCache系列的第一篇，总体介绍使用EhCache缓存进行CRUD的API的基本使用，更细节的内容包括EhCache源代码和设计、实现原理在接下来的文章中进行介绍环境准备 1.新建Maven项目 2.添加EhCache的Maven依赖 <dependency> <groupId>ne
学习EJB3基础知识笔记白糖_ bean Hibernate jboss webservice ejb
最近项目进入系统测试阶段，全赖袁大虾领导有力，保持一周零bug记录，这也让自己腾出不少时间补充知识。花了两天时间把“传智播客EJB3.0”看完了，EJB基本的知识也有些了解，在这记录下EJB的部分知识，以供自己以后复习使用。 EJB是sun的服务器端组件模型，最大的用处是部署分布式应用程序。EJB (Enterprise JavaBean)是J2EE的一部分，定义了一个用于开发基
angular.bootstrap boyitech AngularJS AngularJS API angular中文api
angular.bootstrap 描述：手动初始化angular。这个函数会自动检测创建的module有没有被加载多次，如果有则会在浏览器的控制台打出警告日志，并且不会再次加载。这样可以避免在程序运行过程中许多奇怪的问题发生。使用方法： angular .
java-谷歌面试题-给定一个固定长度的数组，将递增整数序列写入这个数组。当写到数组尾部时，返回数组开始重新写，并覆盖先前写过的数 bylijinnan java
public class SearchInShiftedArray { /** * 题目：给定一个固定长度的数组，将递增整数序列写入这个数组。当写到数组尾部时，返回数组开始重新写，并覆盖先前写过的数。 * 请在这个特殊数组中找出给定的整数。 * 解答： * 其实就是“旋转数组”。旋转数组的最小元素见http://bylijinnan.iteye.com/bl
天使还是魔鬼？都是我们制造 ducklsl 生活教育情感
----------------------------剧透请原谅，有兴趣的朋友可以自己看看电影，互相讨论哦！！！从厦门回来的动车上，无意中瞟到了书中推荐的几部关于儿童的电影。当然，这几部电影可能会另大家失望，并不是类似小鬼当家的电影，而是关于“坏小孩”的电影！自己挑了两部先看了看，但是发现看完之后，心里久久不能平
[机器智能与生物]研究生物智能的问题 comsci 生物
我想,人的神经网络和苍蝇的神经网络,并没有本质的区别...就是大规模拓扑系统和中小规模拓扑分析的区别.... 但是,如果去研究活体人类的神经网络和脑系统,可能会受到一些法律和道德方面的限制,而且研究结果也不一定可靠,那么希望从事生物神经网络研究的朋友,不如把
获取Android Device的信息 dai_lm android
String phoneInfo = "PRODUCT: " + android.os.Build.PRODUCT; phoneInfo += ", CPU_ABI: " + android.os.Build.CPU_ABI; phoneInfo += ", TAGS: " + android.os.Build.TAGS; ph
最佳字符串匹配算法（Damerau-Levenshtein距离算法）的Java实现 datamachine java 算法字符串匹配
原文：http://www.javacodegeeks.com/2013/11/java-implementation-of-optimal-string-alignment.html------------------------------------------------------------------------------------------------------------
小学5年级英语单词背诵第一课 dcj3sjt126com english word
long 长的 show 给...看，出示 mouth 口，嘴 write 写 use 用，使用 take 拿，带来 hand 手 clever 聪明的 often 经常 wash 洗 slow 慢的 house 房子 water 水 clean 清洁的 supper 晚餐 out 在外 face 脸，
macvim的使用实战 dcj3sjt126com mac vim
macvim用的是mac里面的vim, 只不过是一个GUI的APP, 相当于一个壳 1. 下载macvim https://code.google.com/p/macvim/ 2. 了解macvim :h vim的使用帮助信息 :h macvim
java二分法查找蕃薯耀 java二分法查找二分法 java二分法
java二分法查找 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年6月23日 11:40:03 星期二 http:/
Spring Cache注解+Memcached hanqunfeng spring memcached
Spring3.1 Cache注解依赖jar包：  <dependency> <groupId>com.google.code.simple-spring-memcached</groupId> <artifactId>simple-s
apache commons io包快速入门 jackyrong apache commons
原文参考 http://www.javacodegeeks.com/2014/10/apache-commons-io-tutorial.html Apache Commons IO 包绝对是好东西，地址在http://commons.apache.org/proper/commons-io/，下面用例子分别介绍： 1）工具类 2
如何学习编程 lampcy java 编程 C++c
首先,我想说一下学习思想.学编程其实跟网络游戏有着类似的效果.开始的时候,你会对那些代码,函数等产生很大的兴趣,尤其是刚接触编程的人,刚学习第一种语言的人.可是,当你一步步深入的时候,你会发现你没有了以前那种斗志.就好象你在玩韩国泡菜网游似的,玩到一定程度,每天就是练级练级,完全是一个想冲到高级别的意志力在支持着你.而学编程就更难了,学了两个月后,总是觉得你好象全都学会了,却又什么都做不了,又没有
架构师之spring-----spring3.0新特性的bean加载控制@DependsOn和@Lazy nannan408 Spring3
1.前言。如题。 2.描述。 @DependsOn用于强制初始化其他Bean。可以修饰Bean类或方法，使用该Annotation时可以指定一个字符串数组作为参数，每个数组元素对应于一个强制初始化的Bean。 @DependsOn({"steelAxe","abc"}) @Comp
Spring4+quartz2的配置和代码方式调度 Everyday都不同代码配置 spring4 quartz2.x 定时任务
前言：这些天简直被quartz虐哭。。因为quartz 2.x版本相比quartz1.x版本的API改动太多，所以，只好自己去查阅底层API…… quartz定时任务必须搞清楚几个概念： JobDetail——处理类 Trigger——触发器，指定触发时间，必须要有JobDetail属性，即触发对象 Scheduler——调度器，组织处理类和触发器，配置方式一般只需指定触发
Hibernate入门 tntxia Hibernate
前言使用面向对象的语言和关系型的数据库，开发起来很繁琐，费时。由于现在流行的数据库都不面向对象。Hibernate 是一个Java的ORM（Object/Relational Mapping）解决方案。 Hibernte不仅关心把Java对象对应到数据库的表中，而且提供了请求和检索的方法。简化了手工进行JDBC操作的流程。如
Math类 xiaoxing598 Math
一、Java中的数字（Math）类是final类，不可继承。 1、常数 PI：double圆周率 E：double自然对数 2、截取（注意方法的返回类型） double ceil(double d) 返回不小于d的最小整数 double floor(double d) 返回不大于d的整最大数 int round(float f) 返回四舍五入后的整数 long round