Question

我想在每个训练步骤之后预测有效数据，可以用来分析某事。

我知道回调可能有效，但是如何在model.fit（）中使用它来解决此问题？

Answer 1

您可以编写自己的callback函数，然后在自己的函数中调用 model_fit()方法

请参阅Keras官方文档here：

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'))

model = Sequential()
model.add(Dense(10, input_dim=784, kernel_initializer='uniform'))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop')

history = LossHistory()
model.fit(x_train, y_train, batch_size=128, epochs=20, verbose=0, callbacks=[history])

print(history.losses)
# outputs
'''
[0.66047596406559383, 0.3547245744908703, ..., 0.25953155204159617, 0.25901699725311789]
'''

显然，不保存损失而是附加损失。您还可以致电model.predict()并将结果保存在自己的callback中。

Answer 2

我真的不明白您的问题是什么，因为keras模型的默认行为是在每个时期之后报告验证损失/ acc。您是否尝试在每批之后进行验证？

在Keras训练的每个时期之后如何预测？

2 个答案: