我创建了一个具有3个单独输出的keras模型：
MODEL = Model(inputs = [image, speed],outputs = [steering, gas, brake])
我想跟踪每个时期对恒定输入的预测，只是看到了这一点： Create keras callback to save model predictions and targets for each batch during training
我的输出形状为（如果batch为256）：[arr，arr，arr]其中arr是形状为（256，）的numpy数组，因为有256个示例和一个值。
在尝试使用Create keras callback to save model predictions and targets for each batch during training中的代码时，我在形状上总是出错，所以请您告诉我在此处声明self.var_y_true时应该放入什么形状？
class CollectOutputAndTarget(Callback):
def __init__(self):
super(CollectOutputAndTarget, self).__init__()
self.targets = [] # collect y_true batches
self.outputs = [] # collect y_pred batches
# the shape of these 2 variables will change according to batch shape
# to handle the "last batch", specify `validate_shape=False`
self.var_y_true = tf.Variable(0., validate_shape=False)
self.var_y_pred = tf.Variable(0., validate_shape=False)
def on_batch_end(self, batch, logs=None):
# evaluate the variables and save them into lists
self.targets.append(K.eval(self.var_y_true))
self.outputs.append(K.eval(self.var_y_pred))
我认为这可能有效（由于我们没有在张量声明中指定批处理大小，因此似乎没有任何意义）：
self.var_y_true = tf.Variable([np.zeros(256,)]*3, validate_shape=False)
ValueError: Argument must be a dense tensor:
got shape [13, 256], but wanted [13]
另一条线索是：
self.var_y_true = tf.Variable([np.zeros(1,)]*3, validate_shape=False)
ValueError: Argument must be a dense tensor: [array([0]), array([0]), array([0])] - got shape [3, 1], but wanted [3].
在训练过程中如何跟踪预测？