python - 如何在 Keras 中保存 val_loss 和 val_acc

Question

我在 Keras 中记录“val_loss”和“val_acc”时遇到问题。 'loss' 和 'acc' 很容易，因为它们总是记录在 model.fit 的历史记录中。

如果在 fit 中启用验证，则会记录“val_loss” , 和 val_acc如果启用验证和准确度监控，则记录。但是，这是什么意思？

我的节点是 model.fit(train_data, train_labels,epochs = 64,batch_size = 10,shuffle = True,validation_split = 0.2, callbacks=[history]) .

如您所见，我使用了 5 折交叉验证并打乱了数据。在这种情况下，我如何启用 validation在 fit记录“val_loss”和“val_acc”？

谢谢

Answer 1

从 Keras 文档中，我们有 models.fit方法:

fit(x=None, y=None, 
    batch_size=None, 
    epochs=1, 
    verbose=1, 
    callbacks=None, 
    validation_split=0.0, validation_data=None, 
    shuffle=True, 
    class_weight=None, 
    sample_weight=None, 
    initial_epoch=0, 
    steps_per_epoch=None, 
    validation_steps=None
)

'val_loss' is recorded if validation is enabled in fit, and val_accis recorded if validation and accuracy monitoring are enabled. - 这是来自 keras.callbacks.Callback() 对象，如果用于上述 fit 方法中的回调参数。
可以按如下方式使用它，而不是使用您使用过的历史回调:

    from keras.callbacks import Callback
    logs = Callback()
    model.fit(train_data, 
                train_labels,
                epochs = 64, 
                batch_size = 10,
                shuffle = True,
                validation_split = 0.2, 
                callbacks=[logs]
           ) 

如果在 fit 中启用验证，则会记录“val_loss”意味着:当使用 model.fit 方法时，您使用的是 validatoin_split参数或您使用 validation_data参数 to specify the tuple (x_val, y_val) or tuple (x_val, y_val, val_sample_weights) on which to evaluate the loss and any model metrics at the end of each epoch. .

A History object. Its History.history attribute is a record oftraining loss values and metrics values at successive epochs, as wellas validation loss values and validation metrics values (ifapplicable). - Keras Documentation ( Return value for model.fit method)

您正在模型中使用 History 回调，如下所示:

model.fit(train_data, 
            train_labels,
            epochs = 64,
            batch_size = 10,
            shuffle = True,
            validation_split = 0.2, 
            callbacks=[history]
       )

历史.history 将为您输出一个字典: loss , acc , val_loss和 val_acc , 如果你使用一个变量来保存 model.fit 如下:

history = model.fit(
     train_data, 
     train_labels,
     epochs = 64,
     batch_size = 10,
     shuffle = True,
     validation_split = 0.2, 
     callbacks=[history]
)
history.history

输出将如下所示:

{'val_loss': [14.431451635814849,
              14.431451635814849,
              14.431451635814849,
              14.431451635814849,
              14.431451635814849,
              14.431451635814849,
              14.431451635814849,
              14.431451635814849,
              14.431451635814849,
              14.431451635814849],
 'val_acc':  [0.1046428571712403,
              0.1046428571712403,
              0.1046428571712403,
              0.1046428571712403,
              0.1046428571712403,
              0.1046428571712403,
              0.1046428571712403,
              0.1046428571712403,
              0.1046428571712403,
              0.1046428571712403],
 'loss': [14.555215610322499,
          14.555215534028553,
          14.555215548560733,
          14.555215588524229,
          14.555215592157273,
          14.555215581258137,
          14.555215575808571,
          14.55521561940511,
          14.555215563092913,
          14.555215624854679],
 'acc': [0.09696428571428571,
         0.09696428571428571,
         0.09696428571428571,
         0.09696428571428571,
         0.09696428571428571,
         0.09696428571428571,
         0.09696428571428571,
         0.09696428571428571,
         0.09696428571428571,
         0.09696428571428571]}

您可以使用 csvlogger 保存数据。像下面给出的评论或使用更长的方法将字典写入 csv 文件，如此处给出的 writing a dictionary to a csv

csv_logger = CSVLogger('training.log')
model.fit(X_train, Y_train, callbacks=[csv_logger])