Keras 验证进度输出错误地显示了训练步骤答案

【问题标题】：Keras validation progress output incorrectly shows training stepsKeras 验证进度输出错误地显示了训练步骤
【发布时间】：2020-12-04 18:00:00
【问题描述】：

当我对我的模型调用 model.fit_generator() 时，它会在输出中显示您所期望的训练进度。然而，它完成了一个最大值，然后移动到验证。验证显示与训练相同的进度条，即使验证步骤完全不同（~70k 训练步骤/8k 验证步骤）。验证进度条在达到 8k 步时停止，例如：

75999/76000 [===========================>..] - ETA: 0s - loss: 0.4556 - acc: 0.840Epoch 1/500
8200/76000 [====>........................] - ETA: 0s - loss: 0.9822 - acc: 0.7564

第一行是训练，第二行是验证。

当我手动更改步骤以使训练步骤少于 val 步骤时，我得到以下输出：

19/20 [===========================>..] - ETA: 0s - loss: 0.4558 - acc: 0.8980Epoch 1/500
19/20 [===========================>..] - ETA: 0s - loss: 0.8200 - acc: 0.7730

在执行其余验证步骤时，它会在此输出上暂停。其余验证的输出未显示在进度条中。

当 val_steps 和 train_steps 从我的生成器生成时或当我如上所述手动设置它们时会发生此错误，因此问题不在于我的生成器 - 我认为。这是我对 fit_generator() 的调用（当我使用 .fit() 时也是如此）

model.fit_generator(
                                train_generator,
                                steps_per_epoch=train_steps,
                                epochs=epochs,
                                validation_data=val_generator,
                                validation_steps=val_steps,
                                verbose=1,
                                callbacks=[weight_saving_callback,early_stopping],
                                max_queue_size=40,
                                workers=1,
                                use_multiprocessing=False,
                                #train_class_weight=None, #because we are not using target classes
                                #val_class_weight=None, #because we are not using target classes
                                validation_freq=1)

谁能看到这个错误在哪里？我不认为它会影响训练过程，只是影响输出——但我不知道问题出在哪里。使用 TF 2.1 和 Keras 2.3.1。

简单地说：为什么验证进度条没有显示正确的验证步骤数？

【问题讨论】：

什么是 weight_saving_callback？它会在一个时期打印出任何东西吗？
它只是保存模型的权重，如果它们在损失指标方面是迄今为止最好的。它只是打印出损失是否在一个时期有所改善，以及一些指标

标签： python tensorflow machine-learning keras tensorflow2.0

【解决方案1】：

我的经验是，如果您试图在一个 epoch 结束时打印出自己的信息，则会弄乱 tensorflow 打印输出。我最终要做的是为要打印的项目创建类变量，并将它们传递给 on_epoch_begin 函数并在那里打印信息。这似乎不会在一个纪元结束时弄乱 tensorflow 的打印输出。

【讨论】：