Python 根据损失的Keras示例记录每个批次的Keras指标

在Keras文档中，有一个自定义回调，用于记录每个批次的损失。这对我来说很好，但是我还想记录我添加的度量

例如，对于此代码：

optimizer = Adam()
loss = losses.categorical_crossentropy
metric = ["accuracy"]

model.compile(optimizer=optimizer,
              loss=loss,
              metrics=metric)


class LossHistory(Callback):
    def on_train_begin(self, logs={}):
        self.losses = []

    def on_batch_end(self, batch, logs={}):
        self.losses.append(logs.get('loss'))

loss_history = LossHistory()

history = model.fit(training_data, training_labels,
                    batch_size=batch_size,
                    epochs=epochs,
                    verbose=2,
                    validation_data=(val_data, val_labels),
                    callbacks=[loss_history])

---

我不知道如何访问度量值。

度量值历史记录存储在

loss\u history中。loss

：

def on_batch_end（self、batch、logs={}）：
self.loss.append（logs.get（'loss'））

此方法将在每批结束时调用，并将损失度量添加到

self.loss

中，因此一旦培训完成，您可以直接使用

loss\u history.loss

访问此列表

我还应该补充一点，例如，如果您想包括准确性，您还可以做如下操作：

类丢失存储（回调）：
列车上的def开始（self，logs={}）：
self.loss=[]
self.accurity=[]
批处理端上的def（self、batch、logs={}）：
self.loss.append（logs.get（'loss'））
self.accurity.append（logs.get（'accurity'））

然后通过以下方式访问它：

---

loss\u history.accurity

感谢您的快速回答，如果度量值更像是“tf.keras.loss.mape”呢？然后我可以对logs.get（tf.keras.loss.mape）执行同样的操作吗？或者如何存储？只要

tf.keras.loss.mape

被传递到度量数组中的

model.compile（）

，或者如果使用

tf.keras.loss.mape

作为丢失函数，您就可以像以前一样处理

logs.get（'loss'）

但是（我想）你的意思是作为一个额外的指标，对吧？是的，我的意思是作为一个指标，例如指标mape和损失mse，因为mape可能看起来很有趣，但对于损失函数来说并不理想。我现在就试试这个，并在你的帖子上打勾作为答案，谢谢一个lotlogs。get（“准确性”）不起作用，我认为它需要“acc”出于某种原因，我要用它和“mape”再试一次。请注意，正如在链接的基本示例的最后一部分中可能看到的那样，它不会返回每个批次的损失，而是返回该批次结束时的平均损失。例如，在第3批次，将报告的损失是该批次与前两个批次的平均损失。