Keras 记录每批训练和测试的损失和准确性

Question

我正在使用 Keras 训练 cnn，我需要记录每批的准确性和损失。有没有办法保存统计信息？以下是我正在使用的代码，但准确度是 none .此外，回调似乎正在抑制进度条。

class Histories(keras.callbacks.Callback):
def __init__(self, test_data):
    self.test_data = test_data

def on_train_begin(self, logs={}):
    self.train_acc = []
    self.test_acc = []
    self.train_loss = []
    self.test_loss = []

def on_batch_end(self, batch, logs={}):
    train_loss_batch = logs.get('loss')
    train_acc_batch = logs.get('accuracy')
    self.train_loss.append(train_loss_batch)
    self.train_acc.append(train_acc_batch)
    print('\nTrain loss: {}, acc: {}\n'.format(train_loss_batch, train_acc_batch))

    x, y = self.test_data
    test_loss_batch, test_acc_batch = self.model.evaluate(x, y, verbose=0)
    self.test_loss.append(test_loss_batch)
    self.test_acc.append(test_acc_batch)
    print('\nTesting loss: {}, acc: {}\n'.format(test_loss_batch, test_acc_batch))

要使用回调:

histories = my_callbacks.Histories((x_test, y_test))
model.fit(x_train_reduced, y_train_reduced, batch_size, epochs, verbose=1, callbacks=[histories])

Answer 1

我也有同样的问题。我需要每次计算批次的梯度后，计算验证集和集的损失。

在 Keras API 中有显着的参数:

steps_per_epoch, validation_steps

他们分别为时代和验证设置了示例数量。因此，我想在 20 个示例中设置 epoch 的大小，从而人为地将其等同于 batch_size 的大小。 .之后我创建了一个 callback ，每次批处理完成后进行处理:

class LossHistory(Callback):
    def __init__(self):
        super(Callback, self).__init__()
        self.losses = []
        self.val_losses = []

    def on_train_begin(self, logs=None):
        self.losses = []
        self.val_losses = []

    def on_batch_end(self, batch, logs=None):
        self.losses.append(logs.get('loss'))
        self.val_losses.append(logs.get('val_loss'))

关于我写的这个错误 here .到目前为止，我正在等待答案。但我有一个仍然需要解决的问题。

由于这个问题没有简单的答案，所以有必要切磋一下。为此，您可以引用类 Callback 的成员。 .这是验证集，您可以在其上进行测试。这是通过这种方式完成的:

class LossHistory(Callback):
    def __init__(self):
        super(Callback, self).__init__()
        self.losses = []
        self.val_losses = []

    def on_train_begin(self, logs=None):
        self.losses = []
        self.val_losses = []

    def on_batch_end(self, batch, logs=None):
        self.losses.append(logs.get('loss'))
        self.val_losses.append(self.model.evaluate(self.validation_data[0], self.validation_data[1]))

附言logs.get ( val_loss ) 在每个时代之后被考虑。对此，在它的第一批第一时代将躺着 None .