### 记录并打印TensorFlow模型训练时间和测试时间的方法 在 TensorFlow 中，可以通过自定义回调函数来记录和打印模型的训练时间以及单独计算测试时间。以下是具体实现方法： #### 自定义回调函数用于记录训练时间 通过继承 `tf.keras.callbacks.Callback` 类，可以创建一个自定义回调函数来记录每次 epoch 的结束时间，并最终打印总的训练时间。 ```python import time from datetime import timedelta class TrainingTimeCallback(tf.keras.callbacks.Callback): def on_train_begin(self, logs=None): self.start_time = time.time() def on_train_end(self, logs=None): end_time = time.time() elapsed_time = end_time - self.start_time print(f"Total training time: {str(timedelta(seconds=elapsed_time))}") ``` 此代码片段中的 `on_train_begin` 方法会在训练开始时启动计时器，而 `on_train_end` 方法则会计算整个训练过程所需的时间，并将其转换为更易读的格式（如小时、分钟和秒）。[^4] #### 测试时间的测量 对于测试阶段的时间测量，可以在调用 `model.evaluate()` 或其他评估函数前后分别记录起始和终止时间点。 ```python test_start_time = time.time() evaluation_result = model.evaluate(x_test, y_test, verbose=0) test_end_time = time.time() test_duration = test_end_time - test_start_time print(f"Test duration: {str(timedelta(seconds=test_duration))}") ``` 这里展示了如何简单地利用 Python 内置库 `time` 来捕获测试期间消耗的实际秒数，并同样采用 `timedelta` 函数提高输出可读性。[^4] 将以上两部分结合起来即可全面掌握模型在整个生命周期内的性能表现及时耗情况。 ### 完整示例代码 下面提供了一个综合性的例子，展示如何同时监控训练与测试两个环节的时间开销。 ```python # 导入必要的模块 import tensorflow as tf import numpy as np from sklearn.model_selection import train_test_split import time from datetime import timedelta # 构建简单的神经网络模型 def create_model(): model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) return model # 加载数据集 (假设使用MNIST作为演示用途) mnist = tf.keras.datasets.mnist (x_train_full, y_train_full), (x_test, y_test) = mnist.load_data() x_train_full, x_test = x_train_full / 255.0, x_test / 255.0 # 划分验证集 x_train, x_val, y_train, y_val = train_test_split(x_train_full, y_train_full, test_size=0.1) # 创建模型实例 model = create_model() # 定义训练时间回调类 class TrainingTimeCallback(tf.keras.callbacks.Callback): def on_train_begin(self, logs=None): self.start_time = time.time() def on_train_end(self, logs=None): end_time = time.time() elapsed_time = end_time - self.start_time print(f"\nTotal training time: {str(timedelta(seconds=elapsed_time))}") # 开始训练流程 training_callback = TrainingTimeCallback() history = model.fit(x_train, y_train, epochs=5, validation_data=(x_val, y_val), callbacks=[training_callback]) # 执行测试并统计时间 test_start_time = time.time() test_loss, test_acc = model.evaluate(x_test, y_test, verbose=0) test_end_time = time.time() test_duration = test_end_time - test_start_time print(f"\nTest accuracy: {test_acc}, Test loss: {test_loss}") print(f"Test duration: {str(timedelta(seconds=test_duration))}") ``` 上述脚本不仅实现了基本的功能需求，还保持了良好的结构化设计以便于扩展或其他目的重用。