### TensorFlow模型训练过程中的Loss和Accuracy输出 在TensorFlow中，可以通过`model.fit()`方法来训练模型，并通过参数设置实现对损失函数（loss）和准确率（accuracy）的监控。具体来说，在调用`fit()`方法时，可以指定回调函数（Callback），以便实时获取并打印每轮迭代后的损失值和准确率。 以下是详细的解释以及代码示例： #### 使用`verbose`参数控制输出 `model.fit()`方法提供了一个名为`verbose`的参数，用于定义日志显示模式： - `verbose=0`: 不输出任何日志。 - `verbose=1`: 输出进度条（默认行为）。 - `verbose=2`: 每个epoch结束后仅输出一行记录[^1]。 ```python import tensorflow as tf # 构建简单的神经网络模型 model = tf.keras.Sequential([ tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)), tf.keras.layers.Dropout(0.5), tf.keras.layers.Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer=tf.keras.optimizers.Adam(), loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 准备虚拟数据集 (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() x_train = x_train.reshape(-1, 784).astype('float32') / 255. x_test = x_test.reshape(-1, 784).astype('float32') / 255. # 训练模型并观察输出 history = model.fit( x_train, y_train, epochs=5, batch_size=64, verbose=2, # 控制输出方式 validation_split=0.2 ) ``` #### 获取历史记录并通过自定义逻辑输出 如果希望更灵活地处理每次epoch结束后的结果，可以利用返回的历史对象`History`或者创建自定义回调函数`tf.keras.callbacks.Callback`。 ##### 方法一：使用`History.history` `model.fit()`会返回一个`History`对象，其中包含了每个epoch的性能指标（如loss和accuracy）。可以在训练完成后访问这些数据。 ```python # 打印训练期间的loss和accuracy变化情况 print(history.history.keys()) # 查看可用键名 for epoch in range(len(history.history['loss'])): print(f'Epoch {epoch+1}: Loss={history.history["loss"][epoch]}, Accuracy={history.history["accuracy"][epoch]}') ``` ##### 方法二：自定义回调函数 为了实现实时输出功能，还可以继承`tf.keras.callbacks.Callback`类来自定义回调逻辑。 ```python class CustomLogger(tf.keras.callbacks.Callback): def on_epoch_end(self, epoch, logs=None): if logs is not None: print(f'\nEnd of Epoch {epoch+1}, Loss: {logs["loss"]:.4f}, Accuracy: {logs["accuracy"]:.4f}') # 添加自定义回调到fit方法 custom_logger = CustomLogger() model.fit( x_train, y_train, epochs=5, batch_size=64, callbacks=[custom_logger], validation_split=0.2 ) ``` 以上两种方法都可以满足需求，区别在于灵活性的不同——前者适合简单场景下的事后分析；后者则适用于需要即时反馈的应用场合。 ---