1.
model.fit(X, y, nb_epoch=40, batch_size=32, validation_split=0.2, verbose=1)
W powyższym zmianie verbose=2
, jak to jest wymienione w dokumentacji: "gadatliwy. 0 bez logowania do stdout, 1 do rejestrowania pasek postępu 2 for one log line per epoch
"
To będzie pokazać swoją moc jako:
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.
Jeśli chcesz pokazać pasek postępu dla zakończenia epok, zachować verbose=0
(który zamyka się zalogowaniu do stdout) i wdrożenia w następujący sposób:
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()
Dane wyjściowe są następujące:
[================================================ ============] 100%, epoka 10
3.
Jeśli chcesz pokazać straty po każdym n partiach, można użyć:
out_batch = NBatchLogger(display=1000)
model.fit([X_train_aux,X_train_main],Y_train,batch_size=128,callbacks=[out_batch])
Chociaż nigdy wcześniej tego nie próbowałem. Powyższy przykład został zaczerpnięty z tego Keras problem GitHub: Show Loss Every N Batches #2850
Można również śledzić prezentację NBatchLogger
tutaj:
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.
Można również użyć progbar
postępu, ale to Wydrukuj postęp w trybie wsadowym
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)])
Oto jedna odpowiedź http://stackoverflow.com/a/38579937/5082406 –