来自 keras 模型的访问损失指标答案

【问题标题】：Access loss metric from keras model来自 keras 模型的访问损失指标
【发布时间】：2021-05-07 16:10:37
【问题描述】：

我正在尝试访问我构建的模型的训练损失，因为我称之为训练循环。我已经建立了一个模型如下：

    def create_model(self):
        
        model = Sequential()
        model.add(Dense(172, input_shape=(1, 172), activation = 'relu'))
        model.add(Dense(172, activation = 'relu'))
        model.add(Dense(86, activation = 'relu'))
        model.add(Dense(43, activation = 'relu'))
        model.add(Dense(21, activation = "relu"))
        model.add(Flatten())
        model.add(Dense(7, activation="linear"))
        model.compile(loss="mse", optimizer=Adam(lr=0.001), metrics=['accuracy'])
        return model

而我的适合如下：

self.model.fit(np.array(X), np.array(y), batch_size=MINIBATCH_SIZE, verbose=0, shuffle=False)

该模型适合批次，并且是更大类（DQN 代理）的一部分。

由于我在每个时间步都运行一次拟合，并且每集有多个时间步，我怎样才能在训练循环中访问一个变量，从而让我失去网络，以便我可以更密切地监控它？（最终目标是将其添加到 tensorboard）

我可以尝试在每一步或每集（300 步）中访问它，任何更容易的方法。

【问题讨论】：

标签： python tensorflow keras tensorboard

【解决方案1】：

您可以将详细信息更改为 1（显示 epoch 内不断变化的损失和进度）或将其更改为 2（显示每个 epoch 后的损失）。您还可以将拟合线更改为：

history = self.model.fit(np.array(X), np.array(y), batch_size=MINIBATCH_SIZE,verbose=0, shuffle=False)

然后在n_epochs 之后，您可以通过以下调用将损失提取到一个数组中：

losses = history.history['loss']

您可以在循环中迭代训练，以任意频率提取损失，并且可以绘制它们，或者将它们保存以单独查看。

【讨论】：