Python Tensorflow`model.fit()`打印输出
在拟合模型时,它会打印所有记录,而不是分数/预计到达时间覆盖的正常历史记录Python Tensorflow`model.fit()`打印输出,python,tensorflow,keras,Python,Tensorflow,Keras,在拟合模型时,它会打印所有记录,而不是分数/预计到达时间覆盖的正常历史记录 model = models.Sequential() model.add(layers.Embedding(num_words, embedding_size)) model.add(layers.Bidirectional(layers.GRU(64, return_sequences=True))) model.add(layers.Bidirectional(layers.GRU(64))) model.add
model = models.Sequential()
model.add(layers.Embedding(num_words, embedding_size))
model.add(layers.Bidirectional(layers.GRU(64, return_sequences=True)))
model.add(layers.Bidirectional(layers.GRU(64)))
model.add(layers.Dropout(0.2))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dropout(0.2))
model.add(layers.Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer='adam',
metrics=metrics)
model.fit(X_train, y_train, epochs=10, batch_size=64, validation_data=(X_val, y_val))
印刷品:
195/317[===================>……]-预计到达时间:23s-损失:0.5989-准确度:0.0000e+00-精度:0.6656-召回率:0.49-预计到达时间:22s-损失:0.5992-准确度:0.0000e+00-精度:0.6652-召回率:0.49-预计到达时间:22s-损失率:0.5974-精度:0.0000e+00-召回率:0.6673-召回率:0.49-预计到达时间:22s-损失:0.5964-准确度:0.0000e+00-精度:0.6671-召回率:0.49-预计到达时间:22s-损失:0.5969-准确度:0.0000e+00-精度:0.6680-召回率:0.49-预计到达时间:22s-损失率:0.5967-精度:0.0000e+00-召回率:0.5968-准确度:0.0000e+00-精度:0.6678-召回率:0.50-预计到达时间:22s-损失率:0.5954-准确度:0.0000e+00-准确度:0.6678-召回率:0.50-预计到达时间:22s-损失率:0.5952-准确度:0.0000e+00-召回率:0.50-预计到达时间:22s-损失率:0.5943-准确度:0.0000e+00-召回率:0.6689-召回率:0.50-预计到达时间:21s-损失率:0.5941-准确度:0.0000e+00-召回率:0.6678-召回率:0.50-预计到达时间:21s-损失率:0.5931-准确度:0.0000e+00-准确度:0.6681-召回率:0.50-预计到达时间:21s-损失率:0.5931-准确度:0.0000e+00-召回率:0.51-预计到达时间:21s-损失率:0.5927-准确度:0.0000e+00-召回率:0.51-预计到达时间:21s-损失率:0.5922-准确度:0.0000e+00-召回率:0.6675-召回率:0.51-预计到达时间:21s-损失率:0.5926-准确度:0.0000e+00-精度:0.6673-召回率:0.51-预计到达时间:21s-损失率:0.5915-准确率:0.0000e+00-精度:0.6695-召回率:0.51-预计到达时间:21s-损失率:0.5915-准确率:0.0000e+00-召回率:0.51-预计到达时间:21s-损失率:0.5914-准确率:0.0000e+00-精度:0.6680-召回率:0.51-预计到达时间:21s-损失率:0.5907-准确率:0.0000e+00-精度:0.6683-召回率:0.51-预计到达时间:21s-损失率:0.5905-准确度:0.0000e+00-精度:0.6687-召回率:0.52-预计到达时间:20s-损失率:0.5895-准确度:0.0000e+00-精度:0.52-预计到达时间:20s-损失率:0.6707-召回率:0.52-预计到达时间:20s-损失率:0.5864-准确率:0.0000e+00-精度:0.6706-召回率:0.52-预计到达时间:20s-损失率:0.5857-精度:0.0000e+00-精度:0.6709-召回率:0.52-预计到达时间:20s-精度:0.0000e+00-精度:0.6717-召回率:0.52-预计到达时间:20s-损失率:0.5828-精度:0.0000e+00-召回率:0.6723-召回率:0.52-ETA:20s-损失:0.5812-准确度:0.0000e+00-精度:0.6733-召回率:0.53-预计到达时间:20s-损失:0.5818-准确度:0.0000e+00-精度:0.6744-召回率:0.52-预计到达时间:20s-损失:0.5818-精度:0.0000e+00-召回率:0.6755-预计到达时间:19s-损失:0.5807-准确度:0.0000e+00-召回率:0.6763-召回率:0.53-预计到达时间:19s-损失:0.5810-准确度:0.0000e+00-精度:0.6774-召回率:0.52-预计到达时间:19s-损失:0.5793-准确度:0.0000e+00-精度:0.6782-召回率:0.53-预计到达时间:19s-损失率:0.5791-准确度:0.0000e+00-精度:0.6794-召回率:0.53-预计到达时间:19s-损失率:0.5786-准确度:0.0000e+00-精度(…)
…而且不停地
Tensorflow版本:2.3.1
有什么想法吗?我在任何地方都找不到这方面的任何信息。我认为这是由您在中选择的指标造成的:
model.compile(loss='binary\u crossentropy',optimizer='adam',metrics=metrics)
这应该可以解决问题:
model.compile(loss='binary\u crossentropy',optimizer='adam',metrics=['accurity'])
当然,您可以填写您感兴趣的指标。model.fit()在jupyter笔记本中显示实际结果。如果使用空闲pyhton,则会显示这样的结果
尝试使用详细的0或2
- 0=没有结果
- 1=每批后的结果
- 2=每个历元后的结果
model.fit(X\u-train,y\u-train,epochs=10,batch\u-size=64,validation\u-data=(X\u-val,y\u-val),verbose=0)
或
model.fit(X\u-train,y\u-train,epochs=10,batch\u-size=64,validation\u-data=(X\u-val,y\u-val),verbose=2)
很抱歉,这不能解决打印语句的问题。通过精度
或任何其他指标都不会改变任何东西。在本例中,度量值是“``度量值=[tf.keras.metrics.binaryAccurance(),tf.keras.metrics.Precision(),tf.keras.metrics.Recall()”``确实-verbose=2
非常正确。我确实错过了进度条,所以它是“恢复正常”,但我会考虑这足够了…