如何将Keras丢失输出记录到文件中

当你运行Keras神经网络模型时，你可能会在控制台中看到这样的东西：

Epoch 1/3
   6/1000 [..............................] - ETA: 7994s - loss: 5111.7661

随着时间的推移，输球的情况有望好转。我想随着时间的推移将这些损失记录到一个文件中，这样我就可以从中吸取教训。我试过：

logging.basicConfig(filename='example.log', filemode='w', level=logging.DEBUG)

但这行不通。我不确定在这种情况下我需要什么级别的日志记录。

我还尝试过使用回调，如：

def generate_train_batch():
    while 1:
        for i in xrange(0,dset_X.shape[0],3):
            yield dset_X[i:i+3,:,:,:],dset_y[i:i+3,:,:]
class LossHistory(keras.callbacks.Callback):
    def on_train_begin(self, logs={}):
        self.losses = []
    def on_batch_end(self, batch, logs={}):
        self.losses.append(logs.get('loss'))
logloss=LossHistory()
colorize.fit_generator(generate_train_batch(),samples_per_epoch=1000,nb_epoch=3,callbacks=['logloss'])

但很明显，这不是写入文件。无论是哪种方法，通过回调或日志模块或其他任何方法，我都很想听听您将keras神经网络的丢失记录到文件中的解决方案。谢谢

您可以使用CSVLogger回调。

例如：

from keras.callbacks import CSVLogger
csv_logger = CSVLogger('log.csv', append=True, separator=';')
model.fit(X_train, Y_train, callbacks=[csv_logger])

查看：Keras回调

您的问题有一个简单的解决方案。每次使用任何fit方法时，都会返回名为History callback的特殊回调。它具有字段history，该字段是在每个历元之后注册的所有度量的字典。因此，要获得每个历元后的损失函数值列表，您可以轻松地执行：

history_callback = model.fit(params...)
loss_history = history_callback.history["loss"]

将这样的列表保存到文件中很容易（例如，通过将其转换为numpy数组并使用savetxt方法）。

更新：

尝试：

import numpy
numpy_loss_history = numpy.array(loss_history)
numpy.savetxt("loss_history.txt", numpy_loss_history, delimiter=",")

更新2:

Keras回调文档中创建回调一段中写入了每个批次后记录损失问题的解决方案。

老问题，但到此为止。Keras历史记录输出与pandas数据集输入完全匹配。

如果您希望在一行中将整个历史记录csv：pandas.DataFrame(model.fit(...).history).to_csv("history.csv")

干杯

您可以将sys.stdout对象重定向到model.fit方法之前的文件，并在model.fit方式之后将其重新分配到标准控制台，如下所示：

import sys
oldStdout = sys.stdout
file = open('logFile', 'w')
sys.stdout = file
model.fit(Xtrain, Ytrain)
sys.stdout = oldStdout

因此，在TensorFlow 2.0中，很容易获得每个历元的损失和准确性，因为它返回一个History对象。其History.History属性是连续时期的训练损失值和度量值，以及验证损失值和验证度量值的记录

如果您有验证数据

History = model.fit(trainX,trainY,validation_data = (testX,testY),batch_size= 100, epochs = epochs,verbose = 1)
train_loss = History.history['loss']
val_loss   = History.history['val_loss']
acc = History.history['accuracy']
val_acc = History.history['val_accuracy']

如果您没有验证数据

History = model.fit(trainX,trainY,batch_size= 100, epochs = epochs,verbose = 1)
train_loss = History.history['loss']
acc = History.history['accuracy']

然后使用以下代码将列表数据保存到文本文件中

import numpy as np
train_loss = np.array(loss_history)
np.savetxt("train_loss.txt", train_loss, delimiter=",")

最好是创建一个LambdaCallback:

from keras.callbacks import LambdaCallback
txt_log = open('loss_log.txt', mode='wt', buffering=1)
save_op_callback = LambdaCallback(
  on_epoch_end = lambda epoch, logs: txt_log.write(
    {'epoch': epoch, 'loss': logs['loss']} + 'n'),
  on_train_end = lambda logs: txt_log.close()
)

现在，只需将其添加到模型中即可。fit函数：

model.fit(...,callbacks = [save_op_callback])

相关内容

最新更新

热门标签：