`model.fit()` printout

Question

当拟合一个模型时，而不是在分数/ ETA覆盖的时代的正常日志中，它将它们全部打印出来。

model = models.Sequential()

model.add(layers.Embedding(num_words, embedding_size))
model.add(layers.Bidirectional(layers.GRU(64, return_sequences=True)))
model.add(layers.Bidirectional(layers.GRU(64)))
model.add(layers.Dropout(0.2))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dropout(0.2))
model.add(layers.Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy',
              optimizer='adam',
              metrics=metrics)
model.fit(X_train, y_train, epochs=10, batch_size=64, validation_data=(X_val, y_val))

指纹：

195/317 =================>.- ETA: 23s -损失: 0.5989 -准确性: 0.0000e+00 -精度: 0.6656 -召回:0.6656- ETA: 22s -损失: 0.5992 -准确性: 0.0000e+00 -精度: 0.6652 -召回:0.6652-损失: 0.5987 -准确性: 0.0000e+00 -精度: 0.6659 -召回: 0.49 - ETA: 22-损失: 0.5974 -准确性: 0.6673 -召回: 0.49 - ETA: 22s -损失:0.5964 -精度: 0.0000e+00 -精度: 0.6671 -召回:0.6671- ETA: 22s -丢失: 0.5969 -精度: 0.0000e+00 :22-丢失: 0.5954 -准确性: 0.0000e+00 : 0.0000e+00-精密度: 0.6678 -召回: 0.6678 - ETA: 22s -损失: 0.5952 -准确性: 0.0000e+00 : 0.6681 -召回: 0.50 - ETA: 22s -损失: 0.5943 -准确性: 0.0000e+00 -精度: 0.6689 -召回: 0.5941 -准确性: 0.0000e+00 -精度:0.6678-召回: 0.50 - ETA: 21-损失: 0.5931 -准确性: 0.0000e+00 -精度: 0.6681 -召回：0.50 - ETA: 21s -精度: 0.5931 -精度: 0.0000e+00 - 0.6678 -回忆: 0.51 - ETA: 21s -损失: 0.5927 -准确性: 0.0000e+00 -精度: 0.6675 -召回: 0.0000e+00 -精度: 0.6675 - ETA: 21s -损失: 0.5926 -准确性: 0.0000e+00 : 0.6673 -回忆: 0.51 - ETA: 21 s-损失: 0.5915 -精度: 0.0000e+00 -精度: 0.6695 -召回: 0.51 - ETA: 21s -损失: 0.5915 -准确性: 0.0000e+00 -精度: 0.6681 -召回:0.5915- ETA: 21 s-损失: 0.5914 -准确性: 0.0000e+00 -精度: 0.6680 -召回: 0.0000e+00 -精度: 0.6683 -召回:0.51-ETA: 21s -损失: 0.5905 -准确性：：0.0000e+00 -精度: 0.6687 -召回: 0.52 - ETA: 20-损失: 0.5895 -准确性: 0.0000e+00 : 0.6697 -回忆:0.52-ETA:20-损失: 0.5882 -准确性: 0.0000e+00 -精度: 0.6710 -回忆: 0.5872 -准确性: 0.0000e+00 : 0.6707 -回忆: 0.52 - ETA: 20-损失: 0.5864 -准确性: 0.0000e+00 :0.6706 -回忆:0.52-ETA:20-损失: 0.5857 -准确性: 0.0000e+00 : 0.6709 -回忆:0.52-ETA:20-损失: 0.5842 -准确性: 0.0000e+00 -精度: 0.6717 -回忆: 0.52 - ETA: 20-准确性: 0.0000e+00 -准确性: 0.6723 -回忆:0.52-ETA:20-损失: 0.5812 -准确性: 0.0000e+00 -精度: 0.6733 -回忆：- ETA: 20-损失: 0.5818 -准确性: 0.0000e+00 -精度: 0.6744 -回忆: 0.5818 - ETA: 20-损失:0.5818-准确性: 0.0000e+00 -精度: 0.6755 -回忆: 0.5807 -准确性: 0.0000e+00 : 0.6763 -回忆: 0.53 - ETA: 19s -损失: 0.5810 -准确性: 0.6774 -回忆:0.52-ETA: 19s -损失:0.5793 -精度: 0.0000e+00 -精度: 0.6782 -召回: 0.53 - ETA: 19s -损失: 0.5791 -准确性: 0.0000e+00 -精度: 0.6794 -召回:0.53-ETA: 19s -损失: 0.5786 -准确性: 0.0000e+00 -建议(。。。)

...and不停地.

Tensorflow版本: 2.3.1

有什么想法吗？我什么地方都找不到。

Answer 1

model.fit()在jupyter笔记本上显示真实结果。如果您使用空闲的pyhton，就会看到这样的结果。

尝试使用详细的0或2，

• 0 =无结果
• 1=每批处理后的结果
• 2=每个时代

之后的结果

model.fit(X_train, y_train, epochs=10, batch_size=64, validation_data=(X_val, y_val),verbose=0)

或

model.fit(X_train, y_train, epochs=10, batch_size=64, validation_data=(X_val, y_val),verbose=2)

Answer 2

我认为这是由您选择的度量造成的：model.compile(loss='binary_crossentropy',optimizer='adam',metrics=metrics)

这应该可以解决问题：model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])

当然，您可以填写您感兴趣的指标。