Python 在sklearn中训练神经网络时，如何保存学习进度？

我的意图是使用MLPrePressor对（x，y）元组数据集进行处理，以估计y=f（x）。目标是在学习过程中的每个历元之后保存神经网络。我想制作一个动画，展示网络在学习过程中是如何变得更好的

---

有没有办法在不修改源代码的情况下做到这一点？当我在不同场合执行类似任务（f.e.优化）时，我只是使用了此处不可用的回调选项。

类似的操作应该可以：

from sklearn import neural_network
m = neural_network.MLPRegressor()
# define data X, y

for j in m.max_iter:
    
    m.partial_fit(X=x, y=y) # or m.fit(X=x, y=y, incremental=True)           
    # <your code after each training increment>

来自sklearn的

导入神经网络
m=神经网络.mlprepressor（）
#定义数据X，y
对于m.max_iter中的j：
m、 部分拟合（X=X，y=y）或m.fit（X=X，y=y，增量=True）
# 

---

partial_fit

似乎是为这种情况而设计的。文档上写着：“在给定数据上用一次迭代更新模型。”提前停止可能会导致错误或警告，但应该很容易处理。

类似的方法应该可以：

from sklearn import neural_network
m = neural_network.MLPRegressor()
# define data X, y

for j in m.max_iter:
    
    m.partial_fit(X=x, y=y) # or m.fit(X=x, y=y, incremental=True)           
    # <your code after each training increment>

来自sklearn的

导入神经网络
m=神经网络.mlprepressor（）
#定义数据X，y
对于m.max_iter中的j：
m、 部分拟合（X=X，y=y）或m.fit（X=X，y=y，增量=True）
# 

---

partial_fit

似乎是为这种情况而设计的。文档上写着：“在给定数据上用一次迭代更新模型。”提前停止可能会导致错误或警告，但应该很容易处理。

非常感谢，这确实帮助了我。如果你想要一个“更好”的解决方案，你可以对模型进行子类化，并向

fit

方法添加回调函数非常感谢，这确实帮助了我。如果你想要一个“更好”的解决方案，你可以对模型进行子类化，并在

fit

方法中添加一个回调函数