您可以设置verbose = 0并设置回调,这些回调将在每次拟合结束时更新进度,
clf.fit(X, y, nb_epoch=1, batch_size=data.batch_size, verbose=0, callbacks=[some_callback])
0
您可以设置verbose = 0并设置回调,这些回调将在每次拟合结束时更新进度,
clf.fit(X, y, nb_epoch=1, batch_size=data.batch_size, verbose=0, callbacks=[some_callback])
0
1。
model.fit(X, y, nb_epoch=40, batch_size=32, validation_split=0.2, verbose=1)
在上述对verbose=2
更改中,如文档中所述:“ verbose:0表示不记录到stdout,1表示进度条记录, 2 for one log line per epoch
。”
它将输出显示为:
Epoch 1/100
0s - loss: 0.2506 - acc: 0.5750 - val_loss: 0.2501 - val_acc: 0.3750
Epoch 2/100
0s - loss: 0.2487 - acc: 0.6250 - val_loss: 0.2498 - val_acc: 0.6250
Epoch 3/100
0s - loss: 0.2495 - acc: 0.5750 - val_loss: 0.2496 - val_acc: 0.6250
.....
.....
2。
如果要显示进度条以完成纪元,请保持verbose=0
(关闭记录到stdout的日志)并以以下方式实现:
from time import sleep
import sys
epochs = 10
for e in range(epochs):
sys.stdout.write('\r')
for X, y in data.next_batch():
model.fit(X, y, nb_epoch=1, batch_size=data.batch_size, verbose=0)
# print loss and accuracy
# the exact output you're looking for:
sys.stdout.write("[%-60s] %d%%" % ('='*(60*(e+1)/10), (100*(e+1)/10)))
sys.stdout.flush()
sys.stdout.write(", epoch %d"% (e+1))
sys.stdout.flush()
输出将如下所示:
[================================================== ===========] 100%,纪元10
3。
如果要每n个批次显示一次损失,可以使用:
out_batch = NBatchLogger(display=1000)
model.fit([X_train_aux,X_train_main],Y_train,batch_size=128,callbacks=[out_batch])
不过,我以前从未尝试过。上面的示例来自于此keras github问题: Show Loss N N Batchs#2850
您还可以在此处关注NBatchLogger
的演示:
class NBatchLogger(Callback):
def __init__(self, display):
self.seen = 0
self.display = display
def on_batch_end(self, batch, logs={}):
self.seen += logs.get('size', 0)
if self.seen % self.display == 0:
metrics_log = ''
for k in self.params['metrics']:
if k in logs:
val = logs[k]
if abs(val) > 1e-3:
metrics_log += ' - %s: %.4f' % (k, val)
else:
metrics_log += ' - %s: %.4e' % (k, val)
print('{}/{} ... {}'.format(self.seen,
self.params['samples'],
metrics_log))
4。
您也可以使用progbar
获取进度,但它会分批打印进度
from keras.utils import generic_utils
progbar = generic_utils.Progbar(X_train.shape[0])
for X_batch, Y_batch in datagen.flow(X_train, Y_train):
loss, acc = model_test.train([X_batch]*2, Y_batch, accuracy=True)
progbar.add(X_batch.shape[0], values=[("train loss", loss), ("acc", acc)])
0
tqdm
(版本> = 4.41.0)也刚刚添加了对keras
内置支持,因此您可以执行以下操作:
from tqdm.keras import TqdmCallback
...
model.fit(..., verbose=0, callbacks=[TqdmCallback(verbose=2)])
这将关闭keras
的进度( verbose=0
),并使用tqdm
代替。对于回调, verbose=2
表示针对时期和批次的单独进度条。 1
表示完成后清除批处理条。 0
表示仅显示时期(从不显示批处理条)。
0
当我将整个数据集加载到内存中并使用以下代码在Keras中训练网络时:
这会在每个时期生成带有ETA,准确性,损失等指标的进度条
当我分批训练网络时,我正在使用以下代码
这将为每个批次而不是每个时期生成进度条。在分批训练期间是否可以为每个时期生成进度条?