web-dev-qa-db-fra.com

Afficher la barre de progression pour chaque époque pendant l’entraînement par lots à Keras

Lorsque je charge la totalité du jeu de données en mémoire et entraîne le réseau dans Keras à l'aide du code suivant:

model.fit(X, y, nb_Epoch=40, batch_size=32, validation_split=0.2, verbose=1)

Cela génère une barre de progression par époque avec des mesures telles que l'ETA, la précision, les pertes, etc.

Lorsque j'entraîne le réseau par lots, j'utilise le code suivant

for e in range(40):
        for X, y in data.next_batch():
            model.fit(X, y, nb_Epoch=1, batch_size=data.batch_size, verbose=1)

Cela générera une barre de progression pour chaque lot au lieu de chaque époque. Est-il possible de générer une barre de progression pour chaque époque lors d'une formation par lots?

pythonmachine-learningkeras
32
Anish Shah

1.

model.fit(X, y, nb_Epoch=40, batch_size=32, validation_split=0.2, verbose=1)

Dans ce qui précède, passez à verbose=2, comme indiqué dans la documentation: "verbose: 0 pour l’absence de journalisation sur stdout, 1 pour la journalisation de la barre de progression, 2 for one log line per Epoch. "

Cela montrera votre sortie comme:

Epoch 1/100
0s - loss: 0.2506 - acc: 0.5750 - val_loss: 0.2501 - val_acc: 0.3750
Epoch 2/100
0s - loss: 0.2487 - acc: 0.6250 - val_loss: 0.2498 - val_acc: 0.6250
Epoch 3/100
0s - loss: 0.2495 - acc: 0.5750 - val_loss: 0.2496 - val_acc: 0.6250
.....
.....

2.

Si vous souhaitez afficher une barre de progression pour l'achèvement des périodes, conservez verbose=0 (qui ferme la journalisation sur stdout) et implémente de la manière suivante:

from time import sleep
import sys

epochs = 10

for e in range(epochs):
    sys.stdout.write('\r')

    for X, y in data.next_batch():
        model.fit(X, y, nb_Epoch=1, batch_size=data.batch_size, verbose=0)

    # print loss and accuracy

    # the exact output you're looking for:
    sys.stdout.write("[%-60s] %d%%" % ('='*(60*(e+1)/10), (100*(e+1)/10)))
    sys.stdout.flush()
    sys.stdout.write(", Epoch %d"% (e+1))
    sys.stdout.flush()

La sortie sera comme suit:

[=============================================== ===========] 100%, Époque 10

3.

Si vous souhaitez afficher les pertes tous les n lots, vous pouvez utiliser:

out_batch = NBatchLogger(display=1000)
model.fit([X_train_aux,X_train_main],Y_train,batch_size=128,callbacks=[out_batch])

Bien que je ne l'aie jamais essayée auparavant. L'exemple ci-dessus est tiré de ce numéro de keras github: Afficher les pertes tous les N lots # 285

Vous pouvez également suivre une démo de NBatchLogger ici:

class NBatchLogger(Callback):
    def __init__(self, display):
        self.seen = 0
        self.display = display

    def on_batch_end(self, batch, logs={}):
        self.seen += logs.get('size', 0)
        if self.seen % self.display == 0:
            metrics_log = ''
            for k in self.params['metrics']:
                if k in logs:
                    val = logs[k]
                    if abs(val) > 1e-3:
                        metrics_log += ' - %s: %.4f' % (k, val)
                    else:
                        metrics_log += ' - %s: %.4e' % (k, val)
            print('{}/{} ... {}'.format(self.seen,
                                        self.params['samples'],
                                        metrics_log))

4.

Vous pouvez également utiliser progbar pour la progression, mais la progression sera imprimée par lots.

from keras.utils import generic_utils

progbar = generic_utils.Progbar(X_train.shape[0])

for X_batch, Y_batch in datagen.flow(X_train, Y_train):
    loss, acc = model_test.train([X_batch]*2, Y_batch, accuracy=True)
    progbar.add(X_batch.shape[0], values=[("train loss", loss), ("acc", acc)])
49
Abhijay Ghildyal

vous pouvez définir verbose = 0 et définir des rappels qui mettront à jour les progrès à la fin de chaque ajustement,

clf.fit(X, y, nb_Epoch=1, batch_size=data.batch_size, verbose=0, callbacks=[some_callback])

https://keras.io/callbacks/#example-model-checkpoints

ou définir un rappel https://keras.io/callbacks/#remotemonitor

1
quester