Python Tensorflow2.3：所有连续时期之间的损失急剧减少？

我正在尝试在Tensorflow中实现学习率测距仪（后面是）。 我通过一个自定义回调成功地使它工作，从技术方面看，似乎一切都很好。我通过模型日志访问损失，这可能是它出错的地方

在检查结果时，我意识到这并不完全正确，因为Tensorflow似乎在各个时期（而不是在两个时期之间）累积了损失，导致了各个时期之间的跳跃。（黑线标志着每个时代的开始）

虽然我仍然可以粗略估计学习率的范围，但这绝对不是我想要的结果

是否有方法从回调中访问每个批次的损失值，以避免这些跳跃并获得准确的曲线？ 我可以对数据进行过度采样，并在一个历元内运行模型以避免跳跃，但如果Tensorflow在报告损失时聚合了多个更新，这可能实际上无法解决问题

其他详情： 我确实在训练中使用了自定义损耗，但它几乎完全基于

tf.keras.backend.binary\u crossentropy

，只需要对模型输出/地面真值的形状进行一些操作（主要是删除大小为1的轴和标签平滑）。 输出是由

tf获得的每批一个值。在
binary\u cross\u entropy
返回的数组上减少\u mean

，并且我在训练期间不使用不同的批大小。所以我不希望这种情况改变