Question

训练开始时，在运行窗口中仅显示loss和acc，缺少val_loss和val_acc。仅在最后显示这些值。

model.add(Flatten())
model.add(Dense(512, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(10, activation="softmax"))

model.compile(
    loss='categorical_crossentropy',
    optimizer="adam",
    metrics=['accuracy']
)

model.fit(
    x_train,
    y_train,
    batch_size=32, 
    epochs=1, 
    validation_data=(x_test, y_test),
    shuffle=True
)

这是培训开始的方式：

Train on 50000 samples, validate on 10000 samples
Epoch 1/1

   32/50000 [..............................] - ETA: 34:53 - loss: 2.3528 - acc: 0.0938
   64/50000 [..............................] - ETA: 18:56 - loss: 2.3131 - acc: 0.0938
   96/50000 [..............................] - ETA: 13:45 - loss: 2.3398 - acc: 0.1146

这是结束的时候

49984/50000 [============================>.] - ETA: 0s - loss: 1.5317 - acc: 0.4377
50000/50000 [==============================] - 231s 5ms/step - loss: 1.5317 - acc: 0.4378 - val_loss: 1.1503 - val_acc: 0.5951

我想在每一行中看到val_acc和val_loss

Answer 1

验证损失和准确性是在时期末而不是批次末计算的。如果要在每次批处理之后计算这些值，则必须使用on_batch_end()方法实现自己的回调，并在验证集上调用self.model.evaluate()。参见https://keras.io/callbacks/。

但是，在每个时期之后计算验证损失和准确性将大大减慢您的训练速度，并且对网络性能的评估没有多大作用。

Answer 2

在每次迭代中计算验证指标都没有多大意义，因为这会使您的训练过程慢得多，并且您的模型在迭代之间的变化不会太大。另一方面，在每个时期结束时计算这些指标更有意义。

在您的情况下，训练集上有50000个样本，验证集上有10000个样本，批处理大小为32。如果要在每次迭代后计算val_loss和val_acc，意味着每32个训练样本更新您的权重，您将有32个验证样本的313（即10000/32）次迭代。由于您的每个时期都包含1563次迭代（即50000/32），因此您必须执行489219（即313 * 1563）仅用于评估模型的批量预测。这会使您的模型训练慢几个数量级！

如果您仍想在每次迭代结束时计算验证指标（出于上述原因，不推荐），则可以简单地缩短“历元”，以便模型只看到1每个时期批处理：

model.fit(
    x_train,
    y_train,
    batch_size=32, 
    epochs=len(x_train) // batch_size + 1,  # 1563 in your case
    steps_per_epoch=1, 
    validation_data=(x_test, y_test),
    shuffle=True
    )

这并不完全等同，因为样本是从数据中随机抽取的，带有替换，但这是最容易获得的...

为什么不显示val_loss和val_acc？

2 个答案: