我正在通过Keras的函数式API实现一个自编码器模型。我的模型是多输出的，这导致每个输出都评估了一个损失函数。在训练过程中，这些损失的加权和会被最小化：
losses = [jsd for j in range(m)] # JSD损失函数用于每个输出
autoencoder = Model(inputs, decodes)
sgd = optimizers.SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
autoencoder.compile(optimizer=sgd, loss=losses, loss_weights=[1 for k in range(m)]) # 每个输出具有相同的优先级然后我将模型拟合到训练数据并在测试数据上进行评估：
history = autoencoder.fit(train_corr, train_attr_corr, epochs=50, batch_size=10, shuffle=True, verbose=2, validation_data=(test_corr, test_attr_GT))由于verbose=2，在每个epoch结束时，训练和验证损失会在控制台显示。然而，由于模型是多输出的，所有的“子损失”都会被显示。例如：
Epoch 1/50 - 3s - loss: 0.3356 - dense_4_loss: 0.0647 - dense_5_loss: 0.0436 - dense_6_loss: 0.0391 - dense_7_loss: 0.0378 - dense_8_loss: 0.0250 - dense_9_loss: 0.0362 - val_loss: 0.1067 - val_dense_4_loss: 0.0101 - val_dense_5_loss: 0.0042 - val_dense_6_loss: 0.0031 - val_dense_7_loss: 0.0036 - val_dense_8_loss: 0.0041 - val_dense_9_loss: 0.0066问题：是否可以只显示每个epoch的总训练损失(loss)和总验证损失val_loss？
编辑：在上面的例子中，我只想显示loss: 0.3356和val_loss: 0.1067。
回答：
使用Keras模型的fit函数的默认详细程度选项是不可能实现的。然而，你可以通过自定义回调来实现这一点。在fit函数中使用verbosity=0禁用详细程度。定义以下回调函数，该函数覆盖了默认回调，并在epoch开始和结束时修改了输出结果。
class PrinterCallback(tf.keras.callbacks.Callback): # def on_train_batch_begin(self, batch, logs=None): # # Do something on begin of training batch def on_epoch_end(self, epoch, logs=None): print('EPOCH: {}, Train Loss: {}, Val Loss: {}'.format(epoch, logs['loss'], logs['val_loss'])) def on_epoch_begin(self, epoch, logs=None): print('-'*50) print('STARTING EPOCH: {}'.format(epoch)) # def on_train_batch_end(self, batch, logs=None): # # Do something on end of training batch #在调用model.fit时，使用此回调作为callback=[PrinterCallback()]。这里还可以操作其他函数。例如，你可以在训练开始时做些什么（代码中显示了一些示例）。你可以自由修改如何打印所需的值，例如控制小数点位数。
关于Keras回调的详细信息可在此处获取，你还可以查看其他回调的源代码以实现你自己的回调。
希望这对你有帮助！
