DeepQuantom-CNN/qccnn_metrics.csv at cb15dfb430bb8f8085fbcaca3c004fe6de69588a

fly6516 cb15dfb430 train(qccnn): 调整 QCCNN 模型参数并优化训练过程

-调整早停耐心值和学习率调度器参数
- 移除数据集中的缩放变换- 修正训练集和测试集的加载方式
- 优化 RandomQCCNN 和 QCCNN模型结构
- 调整电路深度和输入形状
- 优化 VGG 模型的全连接层大小

2025-06-26 12:02:09 +08:00

4.6 KiB

Raw Blame History

1		epoch	train_acc	valid_acc	train_loss	valid_loss
2	0	1	0.6956875	0.7605280748663101	0.8211820412079494	0.6387985139925849
3	1	2	0.7645416666666667	0.787850935828877	0.6182981830437978	0.5789241027385793
4	2	3	0.7837916666666667	0.7884358288770054	0.5628398391008377	0.5625918760975415
5	3	4	0.7983958333333333	0.8048128342245989	0.5307413680950801	0.5154492698888727
6	4	5	0.8067291666666667	0.8016377005347594	0.5082246935367585	0.5231997628900457
7	5	6	0.812	0.8068181818181818	0.48933065092563627	0.516960185957465
8	6	7	0.8195416666666666	0.8124164438502673	0.47495536905527114	0.4998339513406397
9	7	8	0.8227708333333333	0.8236965240641712	0.46346363043785094	0.4768249858668781
10	8	9	0.8255625	0.8194351604278075	0.45567453374465305	0.4821742607310494
11	9	10	0.8315	0.825701871657754	0.44574370459715523	0.46175671978430316
12	10	11	0.8308125	0.8133355614973262	0.4422872595389684	0.4978986528308634
13	11	12	0.8348125	0.8301303475935828	0.4311412891546885	0.4576163932601398
14	12	13	0.8376041666666667	0.8193516042780749	0.42240108201901116	0.4770477739247409
15	13	14	0.8385625	0.8282921122994652	0.418784587085247	0.4626272647457327
16	14	15	0.8436041666666667	0.8350601604278075	0.41075574096043904	0.44758253596364495
17	15	16	0.8421875	0.8313001336898396	0.4109448278148969	0.446757927218223
18	16	17	0.8435625	0.8346423796791443	0.40630192184448244	0.4484061913534919
19	17	18	0.8458541666666667	0.8385695187165776	0.40021699021259943	0.4367518940552033
20	18	19	0.847125	0.8307152406417112	0.3976554674903552	0.44405238075371095
21	19	20	0.8483125	0.8386530748663101	0.3941614780028661	0.4367401426169962
22	20	21	0.8502916666666667	0.8384024064171123	0.3900964806675911	0.4330310898031143
23	21	22	0.850875	0.8379010695187166	0.38837515221039454	0.43586291532146737
24	22	23	0.8517291666666666	0.8390708556149733	0.3842192193667094	0.43854525677341827
25	23	24	0.8533958333333334	0.8319685828877005	0.37822781956195833	0.43952455710281024
26	24	25	0.8521041666666667	0.8424966577540107	0.38170819969971975	0.42412006687671744
27	25	26	0.8566875	0.8418282085561497	0.3745041756629944	0.42809357434351814
28	26	27	0.8584583333333333	0.8440842245989305	0.3699158744017283	0.4245206856313236
29	27	28	0.8557708333333334	0.841995320855615	0.37092407973607383	0.422711970892182
30	28	29	0.8590625	0.8429979946524064	0.36935959541797636	0.42758023595427447
31	29	30	0.8596041666666666	0.8488469251336899	0.3606020367145538	0.4196776971619397
32	30	31	0.8629166666666667	0.8481784759358288	0.3595893513560295	0.41790072508355514
33	31	32	0.8611875	0.8426637700534759	0.3579425945480665	0.42967644118688963
34	32	33	0.8640416666666667	0.8465909090909091	0.3525094211200873	0.41836620102272953
35	33	34	0.8626875	0.8418282085561497	0.3546509333451589	0.4231800782011155
36	34	35	0.8648333333333333	0.8489304812834224	0.3503157667120298	0.4183035452257503
37	35	36	0.8643958333333334	0.8440006684491979	0.3498730379541715	0.4190998378603216
38	36	37	0.87175	0.8534425133689839	0.32715407966574034	0.4019120936406487
39	37	38	0.8728541666666667	0.8485127005347594	0.32552256182829536	0.4089040935517632
40	38	39	0.876375	0.852105614973262	0.32196691662073135	0.40356063794962227
41	39	40	0.8771875	0.85235628342246	0.31610893772045773	0.4059840437562708
42	40	41	0.8779583333333333	0.8501002673796791	0.3148737497230371	0.40458757402425144
43	41	42	0.8783541666666667	0.8511029411764706	0.31425037946303686	0.40025874677507634
44	42	43	0.879125	0.8485127005347594	0.31071714136004447	0.41301197538720097
45	43	44	0.8840833333333333	0.8587065508021391	0.297863828599453	0.38672817749454375
46	44	45	0.8851875	0.8551136363636364	0.29304139083623887	0.3945167065463602
47	45	46	0.8866666666666667	0.8526069518716578	0.2949504310488701	0.4007673603009413
48	46	47	0.887875	0.8566176470588235	0.2923740311563015	0.39658332620075043
49	47	48	0.8865625	0.8573696524064172	0.29297807250420255	0.39060447871047543
50	48	49	0.8876458333333334	0.8531918449197861	0.29198914767305056	0.4017815204227672
51	49	50	0.8903125	0.8556985294117647	0.28550282220045725	0.3990818190383401
52	50	51	0.8921041666666667	0.8613803475935828	0.2811181089083354	0.38583621303027965
53	51	52	0.8912708333333333	0.8602941176470589	0.2825057551066081	0.38899426345519206
54	52	53	0.8914375	0.8542780748663101	0.28124154203136764	0.4000103534224199
55	53	54	0.8925416666666667	0.8579545454545454	0.2816228237350782	0.39209578182289306
56	54	55	0.8924375	0.8584558823529411	0.2785300021370252	0.38789646502803354
57	55	56	0.8932083333333334	0.8587065508021391	0.27603148049116133	0.39326987443442013
58	56	57	0.8931458333333333	0.8557820855614974	0.27797147376338643	0.4011580384670094
59	57	58	0.8956875	0.8595421122994652	0.2708657040695349	0.3850319666817864
60	58	59	0.8921458333333333	0.8613803475935828	0.274147473325332	0.3814745011495396
61	59	60	0.8947291666666667	0.8602941176470589	0.2712443074285984	0.39393253767872877

4.6 KiB Raw Blame History

4.6 KiB

Raw Blame History