Tensorflow `model.fit()`打印输出

Question

在拟合模型时，它会打印所有的Epochs，而不是分数/ETA覆盖的Epoch的正常日志。

model = models.Sequential()
model.add(layers.Embedding(num_words, embedding_size))
model.add(layers.Bidirectional(layers.GRU(64, return_sequences=True)))
model.add(layers.Bidirectional(layers.GRU(64)))
model.add(layers.Dropout(0.2))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dropout(0.2))
model.add(layers.Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer='adam',
metrics=metrics)
model.fit(X_train, y_train, epochs=10, batch_size=64, validation_data=(X_val, y_val))

打印：

195/317[==============>…………]-ETA:23s-损失：0.5989-准确度：0.0000e+00-精度：0.6656-召回：0.49-ETA:22s-损失：0.5 992-准确率：0.0000e+00-精密度：0.6652-召回率：0.49–ETA:22s-损失：0.52 987-精度：0.0000e-+00-精确度：0.6659-召回：0.4 9–ETA:122s-丢失：0.5974-精确度：0.0000e/00-精度：0.6 673-召回损失：0.5964-准确度：0.0000e+00-精度：0.6671-召回：0.49-ETA:22s-损失：0.596-准确度：.0000e+00-精度：0.6680-召回：0.49-ETA:22s-损失：0.5 967-准确度：0.001 0e+00--精度：0.6 677-召回：0.4 9-ETA:24s-损失：0.5968-准确度：0.000e+00-精密度：0.6678-召回：0.50-ETA:22s-损失：0.5 954-准确度：0.1召回：0.50-ETA:22s-损失：0.5952-准确度：0.0000e+00-精度：0.6681-召回：0.50–ETA:22s-损失：0.5 943-精度：0.0000e+00-精密度：0.6689-召回率：0.50–ETA:21s-损失：0.5941-精度：.0000e+000-精度：0.6578-召回率0.50–ETA:21s-损失：0.5%931-精度:0.0000e+00-精度:0.6681–召回率0.50-ETA:21s精密度：0.6678-召回：0.51-ETA:21s-损失：0.5927-准确度：0.0000e+00-精密度：0.6275-召回：0.5 1-ETA:21s-损失：0.5 922-准确率：0.0000e+00-精度：0.6675-召回率：0.51-ETA:21s-损失：0.5926-准确度:0.0000e+00-精度：0.6 673-召回度：0.51-埃塔：21s-丢失：0.5915-精度：0.0000e-+00准确度：0.0000e+00-精度：0.6681-召回：0.51-ETA:21s-损失：0.5914-准确度：.0000e+00-精度：0.6680-召回：0.51-ETA:21s:损失：0.5907-精度：0.0000e+00-精度；0.6683-召回：0.5 1-ETA:21s-损失：0.5 905-精度：.0000e+01-精度：0.6687-召回：0.52-ETA:20s-损失：0.5-895-精度：0.00000e+00-精密度：0.6697-召回：0.02-ETA:20s-损失：0.5882-准确度：0.0000e+00-精度：0.6710-召回：0.52-预计到达时间：20s-丢失：0.5872-精度：0.0000e+00-精密度：0.6707-召回：0.52-ETA:20s-损失：0.5 864-准确率：0.0000e-+00-精确度：0.6706-召回时间：0.52-预期到达时间：20秒-损失：0.5-857-精度：.0000e+000-精度：0.6 709-召回次数：0.52-估计到达时间：20ms-损失召回：0.52-ETA:20s-损失：0.5828-精度：0.0000e+00-精度：0.6723-召回：0.52–ETA:20s–损失：0.5812–精度：0.00000e+00–精度：0.6733–召回：0.53–ETA:20s–损失：0.5 818–精度：.0000e+000–精度：0.6244–召回：0.52—ETA:20s—损失：0.5818–准确度：0.0000e+00–精密度：0.6555–召回：0.5–ETA:19s–损失：0.52 807–准确率：0.0000e-+00精度：0.6763-召回：0.53-ETA:19s-损失：0.5810-准确度：0.0000e+00-精度：0.6774-召回率：0.52-ETA-19s-损失率：0.5793-准确率：0.0000e+00-精密度：0.6782-召回率0.5 3-ETA-19 s-损失度：0.5791-准确度0.0000e+00-精密度0.6794-召回率0.53-ETA:19s-损耗：0.5786-精度：0.0000e-00-精密(…(

并且不断…

Tensorflow版本：2.3.1

有什么想法吗？我在任何地方都找不到这方面的任何信息。

Answer 1

model.fit((在jupyter笔记本上显示实际结果。如果您使用IDLE pyhton，就会显示这样的结果。

尝试使用详细的0或2，

• 0=没有结果
• 1=每批后的结果
• 2=每个历元后的结果

model.fit(X_train, y_train, epochs=10, batch_size=64, validation_data=(X_val, y_val),verbose=0)

或

model.fit(X_train, y_train, epochs=10, batch_size=64, validation_data=(X_val, y_val),verbose=2)

Answer 2

我认为这是由您在中选择的度量引起的：model.compile(loss='binary_crossentropy',optimizer='adam',metrics=metrics)

这样可以解决问题：model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])

你当然可以填写你感兴趣的指标