Python 在Keras分批培训期间显示每个历元的进度条

当我在内存中加载整个数据集并使用以下代码在Keras中训练网络时：

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

这将为每个历元生成一个进度条，其中包含诸如ETA、精度、损失等指标

当我成批训练网络时，我使用以下代码

for e in range(40):
        for X, y in data.next_batch():
            model.fit(X, y, nb_epoch=1, batch_size=data.batch_size, verbose=1)

这将为每个批次而不是每个历元生成进度条。在分批培训期间，是否可以为每个历元生成进度条

1

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

在上面更改为

verbose=2

的过程中，正如文档中所述：“verbose:0表示不记录到标准输出，1表示进度条记录，

2表示每个历元一个日志行

”

它会将您的输出显示为：

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
.....
.....

二,

如果要显示完成历元的进度条，请保持

verbose=0

（这将关闭对stdout的日志记录），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()

输出结果如下：

[===============================================================================================================]100%，第10个纪元

三,

如果要在每n批之后显示损失，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，我以前从未试过。上述示例摘自keras github发行版：

您还可以在此处观看

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))

四,

您也可以使用

progbar

进行进度打印，但它会成批打印进度

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)])

---

您可以设置verbose=0，并设置回调，以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])

或set callback（设置回调）

tqdm

（版本>=4.41.0）也刚刚添加了对

keras

的内置支持，因此您可以：

from tqdm.keras import TqdmCallback
...
model.fit(..., verbose=0, callbacks=[TqdmCallback(verbose=2)])

---

这将关闭

keras

”进度（

verbose=0

），并使用

tqdm

。对于回调，

verbose=2

意味着为历元和批处理提供单独的进度条<代码>1表示完成后清除批次栏<代码>0表示只显示年代（从不显示批次栏）。

这里有一个答案+1

model.fit（…，verbose=0，callbacks=[TqdmCallback（verbose=0）]）

在进行大量历次（几十次或数百次）培训时提供最佳输出。这应该是默认值（verbose=0）！