如何在 Keras 中返回验证丢失的历史记录

Question

使用 Anaconda Python 2.7 Windows 10。

我正在使用 Keras 示例训练语言模型：

print('Build model...')
model = Sequential()
model.add(GRU(512, return_sequences=True, input_shape=(maxlen, len(chars))))
model.add(Dropout(0.2))
model.add(GRU(512, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(len(chars)))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy', optimizer='rmsprop')

def sample(a, temperature=1.0):
    # helper function to sample an index from a probability array
    a = np.log(a) / temperature
    a = np.exp(a) / np.sum(np.exp(a))
    return np.argmax(np.random.multinomial(1, a, 1))


# train the model, output generated text after each iteration
for iteration in range(1, 3):
    print()
    print('-' * 50)
    print('Iteration', iteration)
    model.fit(X, y, batch_size=128, nb_epoch=1)
    start_index = random.randint(0, len(text) - maxlen - 1)

    for diversity in [0.2, 0.5, 1.0, 1.2]:
        print()
        print('----- diversity:', diversity)

        generated = ''
        sentence = text[start_index: start_index + maxlen]
        generated += sentence
        print('----- Generating with seed: "' + sentence + '"')
        sys.stdout.write(generated)

        for i in range(400):
            x = np.zeros((1, maxlen, len(chars)))
            for t, char in enumerate(sentence):
                x[0, t, char_indices[char]] = 1.

            preds = model.predict(x, verbose=0)[0]
            next_index = sample(preds, diversity)
            next_char = indices_char[next_index]

            generated += next_char
            sentence = sentence[1:] + next_char

            sys.stdout.write(next_char)
            sys.stdout.flush()
        print()

根据 Keras 文档，model.fit 方法返回一个 History 回调，该回调具有一个包含连续损失列表和其他指标的 history 属性。

hist = model.fit(X, y, validation_split=0.2)
print(hist.history)

训练我的模型后，如果我运行 print(model.history) 我会收到错误：

 AttributeError: 'Sequential' object has no attribute 'history'

使用上述代码训练模型后，如何返回模型历史记录？

更新

问题是：

必须首先定义以下内容：

from keras.callbacks import History 
history = History()

必须调用回调选项

model.fit(X_train, Y_train, nb_epoch=5, batch_size=16, callbacks=[history])

但是现在如果我打印

print(history.History)

返回

{}

即使我运行了一个迭代。

Answer 1

已经解决了。

损失只保存到历代的历史。我正在运行迭代，而不是使用 Keras 内置的 epochs 选项。

所以我现在没有进行 4 次迭代

model.fit(......, nb_epoch = 4)

现在它返回每个 epoch 运行的损失：

print(hist.history)
{'loss': [1.4358016599558268, 1.399221191623641, 1.381293383180471, 1.3758836857303727]}

Answer 2

只是一个开始的例子

history = model.fit(X, Y, validation_split=0.33, nb_epoch=150, batch_size=10, verbose=0)

你可以使用

print(history.history.keys())

列出历史中的所有数据。

然后，你可以像这样打印验证损失的历史：

print(history.history['val_loss'])

Answer 3

下面的简单代码非常适合我：

    seqModel =model.fit(x_train, y_train,
          batch_size      = batch_size,
          epochs          = num_epochs,
          validation_data = (x_test, y_test),
          shuffle         = True,
          verbose=0, callbacks=[TQDMNotebookCallback()]) #for visualization

确保将拟合函数分配给输出变量。然后你就可以很容易地访问那个变量了

# visualizing losses and accuracy
train_loss = seqModel.history['loss']
val_loss   = seqModel.history['val_loss']
train_acc  = seqModel.history['acc']
val_acc    = seqModel.history['val_acc']
xc         = range(num_epochs)

plt.figure()
plt.plot(xc, train_loss)
plt.plot(xc, val_loss)

希望这会有所帮助。 来源：https://keras.io/getting-started/faq/#how-can-i-record-the-training-validation-loss-accuracy-at-each-epoch

Answer 4

具有“acc”、“loss”等历史记录的字典可用并保存在hist.history 变量中。

Answer 5

我还发现你可以使用verbose=2让keras打印出Losses：

history = model.fit(X, Y, validation_split=0.33, nb_epoch=150, batch_size=10, verbose=2)

这样会打印出漂亮的线条：

Epoch 1/1
 - 5s - loss: 0.6046 - acc: 0.9999 - val_loss: 0.4403 - val_acc: 0.9999

根据他们的documentation：

verbose: 0, 1, or 2. Verbosity mode. 0 = silent, 1 = progress bar, 2 = one line per epoch.

Answer 6

为了直接绘制损失，以下工作：

import matplotlib.pyplot as plt
...    
model_ = model.fit(X, Y, epochs= ..., verbose=1 )
plt.plot(list(model_.history.values())[0],'k-o')

Answer 7

另一个选项是 CSVLogger：https://keras.io/callbacks/#csvlogger。 它创建一个 csv 文件，附加每个 epoch 的结果。即使你中断训练，你也能看到它是如何演变的。

Answer 8

其实你也可以用迭代的方法来做。因为有时我们可能需要使用迭代方法而不是内置的 epochs 方法来可视化每次迭代后的训练结果。

history = [] #Creating a empty list for holding the loss later
for iteration in range(1, 3):
    print()
    print('-' * 50)
    print('Iteration', iteration)
    result = model.fit(X, y, batch_size=128, nb_epoch=1) #Obtaining the loss after each training
    history.append(result.history['loss']) #Now append the loss after the training to the list.
    start_index = random.randint(0, len(text) - maxlen - 1)
print(history)

这种方式可以让你在保持迭代方法的同时获得你想要的损失。

Answer 9

感谢 Alloush，

model.fit()中必须包含以下参数：

validation_data = (x_test, y_test)

如果未定义，val_acc 和 val_loss 将不会 存在于输出中。

Answer 10

像我这样仍然出错的人：

将model.fit_generator() 转换为model.fit()