Класс ProgbarLogger

Класс ProgbarLogger является колбэком, который автоматически выводит в консоль прогресс-бар во время обучения модели. Он показывает номер эпохи, количество обработанных шагов и значения метрик. Первым параметром передается строка count_mode, которая определяет, что считать единицей прогресса: шаги ('steps') или примеры ('samples'). Вторым параметром передается режим вывода verbose (0 или 1). Дополнительно можно передать словарь stateful_metrics с метриками, которые не нужно усреднять по эпохе.

Синтаксис

tf.keras.callbacks.ProgbarLogger(count_mode='samples', [verbose=1], [stateful_metrics=None])

Пример

Давайте обучим простую модель и посмотрим, как ProgbarLogger выводит прогресс с режимом 'steps':

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])
model.compile(optimizer='sgd', loss='mse')

x = tf.constant([[1.0], [2.0], [3.0], [4.0], [5.0]])
y = tf.constant([[1.0], [2.0], [3.0], [4.0], [5.0]])

logger = tf.keras.callbacks.ProgbarLogger(count_mode='steps')
model.fit(x, y, epochs=2, verbose=1, callbacks=[logger])

Результат выполнения кода:

Epoch 1/2
1/1 [==============================] - 0s 200ms/step - loss: 23.4567
Epoch 2/2
1/1 [==============================] - 0s 10ms/step - loss: 12.3456
<keras.src.callbacks.progbar_logger.ProgbarLogger object at 0x...>

Пример

Давайте используем stateful_metrics, чтобы метрика не усреднялась по эпохе, а выводилась как есть:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])
model.compile(optimizer='sgd', loss='mse', metrics=['mae'])

x = tf.constant([[1.0], [2.0], [3.0], [4.0], [5.0]])
y = tf.constant([[1.0], [2.0], [3.0], [4.0], [5.0]])

logger = tf.keras.callbacks.ProgbarLogger(
	count_mode='samples',
	stateful_metrics=['mae']
)
model.fit(x, y, epochs=2, verbose=1, callbacks=[logger])

Результат выполнения кода:

<+python+> Epoch 1/2 5/5 [==============================] - 0s 5ms/sample - loss: 23.4567 - mae: 4.5678 Epoch 2/2 5/5 [==============================] - 0s 3ms/sample - loss: 12.3456 - mae: 3.4567 <-python+>

Смотрите также

класс History,
который сохраняет историю обучения модели
класс CSVLogger,
который записывает логи обучения в CSV-файл
класс EarlyStopping,
который останавливает обучение при отсутствии улучшений
класс ModelCheckpoint,
который сохраняет модель во время обучения