Question

我试图学习Keras并使用LSTM来解决分类问题。我希望能够策划准确性和损失并在训练期间更新情节。为此，我使用callback function。由于某些原因，我在回调中收到的准确性和损失与之不符拟合函数打印的准确性和损失。

以下是我的代码的相关行：

class PlotCallbacks(Callback):
    def on_batch_end(self, batch, logs={}):
        print(logs)
        return

# Create the model
model = Sequential()
model.add(Embedding(top_words, embedding_vector_length,input_length=max_conv_length))
model.add(LSTM(300))
model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, callbacks=[PlotCallbacks()], nb_epoch=1, batch_size=3, verbose=1)

运行程序时，我得到这个输出（每个批次的第一行由回调打印，第二行由model.fit打印）：

    Epoch 1/1
{'acc': 0.0, 'loss': 1.1038421, 'batch': 0, 'size': 3}
 3/25 [==>...........................] - ETA: 27s - loss: 1.1038 - acc: 0.0000e+00   

 {'acc': 1.0, 'loss': 1.0622898, 'batch': 1, 'size': 3}
 6/25 [======>.......................] - ETA: 19s - loss: 1.0831 - acc: 0.5000       

 {'acc': 1.0, 'loss': 0.91526389, 'batch': 2, 'size': 3}
 9/25 [=========>....................] - ETA: 13s - loss: 1.0271 - acc: 0.6667   

 {'acc': 1.0, 'loss': 0.36570337, 'batch': 3, 'size': 3}
12/25 [=============>................] - ETA: 11s - loss: 0.8618 - acc: 0.7500

{'acc': 1.0, 'loss': 0.1433304, 'batch': 4, 'size': 3}
15/25 [=================>............] - ETA: 9s - loss: 0.7181 - acc: 0.8000

{'acc': 1.0, 'loss': 0.041385528, 'batch': 5, 'size': 3}
18/25 [====================>.........] - ETA: 6s - loss: 0.6053 - acc: 0.8333

{'acc': 1.0, 'loss': 0.011424608, 'batch': 6, 'size': 3}
21/25 [========================>.....] - ETA: 3s - loss: 0.5205 - acc: 0.8571

{'acc': 1.0, 'loss': 0.0034991663, 'batch': 7, 'size': 3}
24/25 [===========================>..] - ETA: 1s - loss: 0.4558 - acc: 0.8750

{'acc': 1.0, 'loss': 0.0012318328, 'batch': 8, 'size': 1}
25/25 [==============================] - 26s - loss: 0.4377 - acc: 0.8800

我尝试打印logs.get（＆＃39; acc＆＃39;），并将准确度保存到PlotCallbacks对象的列表中并打印列表，但问题仍然存在。

有没有人知道问题可能是什么？

由于

Answer 1

on_batch_end()类型回调函数可以获得刚刚训练过的批次的准确性。由keras打印的日志是它在当前时期看到的所有批次的平均值。您可以在日志中轻松观察到这一点..在前两个批次中说，一个准确度为0.0和1.0，这使得整批准确度超过2个批次，显示为0.5000。 here正是计算平均值的地方。

此外，通常会在时间段到时期内报告作为指标的准确性，因此您可以将回调更改为on_epoch_end()。

Answer 2

这是一个简单的回调，它记录了Keras的progbar定义的准确性（当前时期到目前为止所看到的所有批次的平均值）：

class AccHistory(Callback):
    def on_train_begin(self, logs={}):
        self.accs = []
        self.acc_avg = []

    def on_batch_end(self, batch, logs={}):
        self.accs.append(round(1e2*float(logs.get('acc')),4))
        self.acc_avg.append(round(np.mean(self.accs,dtype=np.float64),4))

    def on_epoch_end(self, batch, logs={}):
        self.accs = []

来自Keras的回调和进度条的准确度与

2 个答案: