Python 如何在TensorFlow 2.0中控制冗长

在TensorFlow 1.x中，我可以自由选择如何以及何时打印训练期间的准确度/损失分数。例如，如果我想每100个时代打印一次培训损失，在

tf.Session（）

中，我会写：

if epoch % 100 == 0:
    print(str(epoch) + '. Training Loss: ' + str(loss))

---

TF2.0（alpha）发布后，KerasAPI似乎不得不坚持其标准输出。有没有办法恢复这种灵活性？

如果您不使用Keras模型方法（

.fit

，

.train\u on\u batch

，…），您可以使用急切执行编写自己的训练循环（并可以选择将其包装在

tf.function

中，以图形表示形式进行转换）您可以像在1.x中那样控制冗长

training_epochs = 10
step = 0
for epoch in range(training_epochs)
    print("starting ",epoch)
    for features, labels in dataset:
        with tf.GradientTape() as tape:
            loss = compute_loss(model(features),labels)
        gradients = tape.gradients(loss, model.trainable_variables)
        optimizer.apply_gradients(zip(gradients, model.trainable_variables))
        step += 1
        if step % 10 == 0:
            # measure other metrics if needed
            print("loss: ", loss)
    print("Epoch ", epoch, " finished.")

---

太好了。我还有其他问题：1）compute_loss（）函数来自哪里？；2） 第5行和第6行是否应在带块的

中？；3） 我在哪里可以控制纪元的数量？非常感谢。（谢谢！）
compute\u loss
只是伪代码。用你的损失来代替它（如果可能，来自tf.keras.loss）。不，5线和6线可以在渐变带外。磁带仅用于注册操作（并且您执行了前向传递调用模型和损失计算）。因为您正在迭代一个数据集，所以您可以通过许多不同的方式来控制这些时代：手动，知道数据集的大小。或者，如果
数据集
是
tf.data.dataset
对象，则可以使用
.repeat（n）
方法使数据集在第2行重复n个时代：
以输入数据集
。
dataset
是numpy对象吗？如果是这样的话，它看起来就像随机GD一样，一次只走一行。如果我想实现简单的GD，我可以为范围内的历元（num_epochs）编写：
，
并将我的
数据集
放在输入中吗？感谢是一件令人难以忍受的事情。看看如何
tf.data.Dataset
文档（但它甚至可以是numpy）。要实现一个简单的训练循环，请看这个示例。但是，是的，您可以在另一个循环中执行类似于“for epoch in range（num_epochs）”，该循环在我更新示例后遍历数据集-看一看。顺便说一句，dataset是一个iterable，您可以让它返回您想要的任何内容。在我的例子中，我假设它返回一对
（特性、标签）