在Keras中批量训练时显示每个epoch的进度条

Question

当我在内存中加载整个数据集并使用以下代码在Keras中训练网络时:

model.fit(X, y, nb_epoch=40, batch_size=32, validation_split=0.2, verbose=1)

这会在每个epoch生成一个进度条，其中包含诸如ETA，准确性，损失等参数

当我批量训练网络时，我使用以下代码

for e in range(40):
        for X, y in data.next_batch():
            model.fit(X, y, nb_epoch=1, batch_size=data.batch_size, verbose=1)

这将为每个批生成进度条，而不是每个epoch。是否有可能在批处理训练期间为每个epoch生成进度条?

Answer 1

model.fit(X, y, nb_epoch=40, batch_size=32, validation_split=0.2, verbose=1)

在上面对verbose=2的更改中，正如文档中提到的:

verbose: 0表示不记录标准输出，1表示记录进度条，2表示每个epoch一个日志行

输出如下:

Epoch 1/100
0s - loss: 0.2506 - acc: 0.5750 - val_loss: 0.2501 - val_acc: 0.3750
Epoch 2/100
0s - loss: 0.2487 - acc: 0.6250 - val_loss: 0.2498 - val_acc: 0.6250
Epoch 3/100
0s - loss: 0.2495 - acc: 0.5750 - val_loss: 0.2496 - val_acc: 0.6250
.....
.....

如果您想要显示epoch完成的进度条，请保留verbose=0(关闭对stdout的日志记录)并以以下方式实现:

from time import sleep
import sys
epochs = 10
for e in range(epochs):
    sys.stdout.write('r')
    for X, y in data.next_batch():
        model.fit(X, y, nb_epoch=1, batch_size=data.batch_size, verbose=0)
    # print loss and accuracy
    # the exact output you're looking for:
    sys.stdout.write("[%-60s] %d%%" % ('='*(60*(e+1)/10), (100*(e+1)/10)))
    sys.stdout.flush()
    sys.stdout.write(", epoch %d"% (e+1))
    sys.stdout.flush()

输出如下:

[============================================================] 100%, epoch 10

如果您希望每n批显示一次损耗，您可以使用:

out_batch = NBatchLogger(display=1000)
model.fit([X_train_aux,X_train_main],Y_train,batch_size=128,callbacks=[out_batch])

虽然，我以前从来没有尝试过。上面的例子取自这个keras github问题:每N批显示损失#2850

您也可以在这里观看NBatchLogger的演示:

class NBatchLogger(Callback):
    def __init__(self, display):
        self.seen = 0
        self.display = display
    def on_batch_end(self, batch, logs={}):
        self.seen += logs.get('size', 0)
        if self.seen % self.display == 0:
            metrics_log = ''
            for k in self.params['metrics']:
                if k in logs:
                    val = logs[k]
                    if abs(val) > 1e-3:
                        metrics_log += ' - %s: %.4f' % (k, val)
                    else:
                        metrics_log += ' - %s: %.4e' % (k, val)
            print('{}/{} ... {}'.format(self.seen,
                                        self.params['samples'],
                                        metrics_log))

您也可以使用progbar表示进度，但它将批量打印进度

from keras.utils import generic_utils
progbar = generic_utils.Progbar(X_train.shape[0])
for X_batch, Y_batch in datagen.flow(X_train, Y_train):
    loss, acc = model_test.train([X_batch]*2, Y_batch, accuracy=True)
    progbar.add(X_batch.shape[0], values=[("train loss", loss), ("acc", acc)])

Answer 2

tqdm (version>= 4.41.0)也刚刚添加了对keras的内置支持，因此您可以:

from tqdm.keras import TqdmCallback
...
model.fit(..., verbose=0, callbacks=[TqdmCallback(verbose=2)])

关闭keras的进度(verbose=0)，并使用tqdm代替。对于回调，verbose=2表示epoch和batch的单独进度条。1表示完成后清除批处理栏。0表示只显示epoch(从不显示batch bars)。

Answer 3

您可以设置verbose=0并设置回调，以便在每次拟合结束时更新进度，

clf.fit(X, y, nb_epoch=1, batch_size=data.batch_size, verbose=0, callbacks=[some_callback])

https://keras.io/callbacks/example-model-checkpoints

或设置回调https://keras.io/callbacks/#remotemonitor