Python 在tensorflow2.0中，如果我使用tf.keras.models.Model。我可以通过模型训练批次的数量来评估和保存模型吗？

现在我正在使用

tf.keras

下的接口来封装我的CNN（卷积神经网络）

---

在

model.fit

界面中，我发现参数

validation\u freq

只提供

epoch

选项。这意味着在训练模型时，只能在训练一个或多个历元后评估和保存模型。在许多情况下，更希望根据模型训练批次的数量评估和保存模型。

model.fit

或

model.fit\u generator

现在是否提供此选项？

您可以通过如下方式实现自定义回调：

将tensorflow导入为tf
打印（tf.uuu版本）#2.1.0
类PerBatchLogsCallback（tf.keras.callbacks.Callback）：
定义初始（自，x\U测试，y\U测试，间隔=2）：
self.x_测试=x_测试
self.y_测试=y_测试
self.n_批=0
self.interval=间隔
self.all_日志=无
批处理端上的def（自身、批处理、日志=无）：
如果self.all_日志为无：
self.all_日志={name:[]表示self.model.metrics_names}中的名称
self.all_日志['batch']=[]
如果self.n\u批次%self.interval==0：
评估=自我模型评估（自我x_测试、自我y_测试）
对于e，zip中的名称（已评估，self.model.metrics\u名称）：
self.all_日志[name].append（e）
self.all_日志['batch'].追加（批处理）
self.n_批次+=1

每两个批次评估验证指标的使用示例：

将tensorflow导入为tf
将numpy作为np导入
输入=tf.keras.layers.Input（（2，））
res=tf.keras.layers.density（2，激活=tf.nn.softmax）（输入）
模型=tf.keras.model（输入，res）
compile（optimizer=tf.keras.optimizers.SGD（0.001），
指标=[“准确度”]，
损失（稀疏的、分类的、交叉熵的）
x_序列=np.随机.正常（0,1，（10,2））
y_train=np.random.randint（0,2,10）
x_检验=np.随机.正常（0,1,5,2））
y_检验=np.random.randint（0,2,5）
批处理回调=每个批处理logscallback（x\u测试，y\u测试）
模型安装（x_系列，
你的火车，
批次大小=2，
纪元=1，
回调=[批处理回调]）
打印（批处理\u回调。所有\u日志）
#{‘损失’：[0.3391808867454529、0.33950310945510864、0.3395831882953644]，
#“准确度”：[1.0,1.0,1.0]，
#“批处理”：[0,2,4]}