在Keras中分批训练期间显示每个时期的进度条

在Keras中分批训练期间显示每个时期的进度条

1。

model.fit(X, y, nb_epoch=40, batch_size=32, validation_split=0.2, verbose=1)

在上述对的更改中

verbose=2

，如文档中所述：“详细：0表示不记录到stdout，1表示进度条记录，”

2 for one log lineper epoch

。

它将输出显示为：

Epoch 1/1000s - loss: 0.2506 - acc: 0.5750 - val_loss: 0.2501 - val_acc: 0.3750Epoch 2/1000s - loss: 0.2487 - acc: 0.6250 - val_loss: 0.2498 - val_acc: 0.6250Epoch 3/1000s - 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，请保留

verbose=0

（关闭记录到stdout的日志）并以以下方式实现：

from time import sleepimport sysepochs = 10for 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。上面的示例来自于这个keras github问题：Show Loss N N
Batchs＃2850

您还可以在

NBatchLogger

此处进行演示：

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

进度，但它会分批打印进度

from keras.utils import generic_utilsprogbar = 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)])