2024-04-27 00:03:54 发布
网友
我希望在每个训练阶段之后可视化并保存验证数据的预测。在某种程度上,我可以进一步利用这些预测进行离线分析。在
我知道keras的回调功能可能有用,但我想了解如何在model.fit()中使用它。在
keras
model.fit()
You can write your own callback function and then call it within your model_fit() method
callback
model_fit()
请参阅官方Keras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] '''
显然不是为了挽回损失,并增加损失。您也可以调用model.predict()并将结果保存在您自己的callback中。在
model.predict()
请参阅官方Keras文档here:
显然不是为了挽回损失,并增加损失。您也可以调用
model.predict()
并将结果保存在您自己的callback
中。在相关问题 更多 >
编程相关推荐