当我将整个数据集加载到内存中并使用以下代码在Keras中训练网络时：
model.fit(X, y, nb_epoch=40, batch_size=32, validation_split=0.2, verbose=1)这会为每个epoch生成一个进度条，并显示ETA、准确率、损失等指标
当我以批处理方式训练网络时，我使用以下代码
for e in range(40): for X, y in data.next_batch(): model.fit(X, y, nb_epoch=1, batch_size=data.batch_size, verbose=1)这会为每个批次而不是每个epoch生成一个进度条。在批处理训练中是否有可能为每个epoch生成一个进度条？
回答：
model.fit(X, y, nb_epoch=40, batch_size=32, validation_split=0.2, verbose=1)在上述代码中将verbose改为2，如文档中所述：
verbose: 0表示不输出日志到stdout，1表示显示进度条，2表示每epoch输出一行日志
输出将会是这样的：
Epoch 1/1000s - loss: 0.2506 - acc: 0.5750 - val_loss: 0.2501 - val_acc: 0.3750Epoch 2/1000s - loss: 0.2487 - acc: 0.6250 - val_loss: 0.2498 - val_acc: 0.6250Epoch 3/1000s - loss: 0.2495 - acc: 0.5750 - val_loss: 0.2496 - val_acc: 0.6250..........如果你想显示epoch完成的进度条，保持verbose=0（这会关闭stdout的日志输出），并按以下方式实现：
from time import sleepimport sysepochs = 10for e in range(epochs): sys.stdout.write('\r') for X, y in data.next_batch(): model.fit(X, y, nb_epoch=1, batch_size=data.batch_size, verbose=0) # 打印损失和准确率 # 你想要的精确输出： sys.stdout.write("[%-60s] %d%%" % ('='*(60*(e+1)/10), (100*(e+1)/10))) sys.stdout.flush() sys.stdout.write(", epoch %d"% (e+1)) sys.stdout.flush()输出将如下所示：
[============================================================] 100%, epoch 10如果你想在每n个批次后显示损失，你可以使用：
out_batch = NBatchLogger(display=1000)model.fit([X_train_aux,X_train_main],Y_train,batch_size=128,callbacks=[out_batch])虽然我之前从未尝试过。上述示例取自这个Keras GitHub问题：每N个批次显示损失 #2850
你也可以在这里查看NBatchLogger的演示：
class NBatchLogger(Callback): def __init__(self, display): self.seen = 0 self.display = display def on_batch_end(self, batch, logs={}): self.seen += logs.get('size', 0) if self.seen % self.display == 0: metrics_log = '' for k in self.params['metrics']: if k in logs: val = logs[k] if abs(val) > 1e-3: metrics_log += ' - %s: %.4f' % (k, val) else: metrics_log += ' - %s: %.4e' % (k, val) print('{}/{} ... {}'.format(self.seen, self.params['samples'], metrics_log))你也可以使用progbar来显示进度，但它会按批次打印进度
from keras.utils import generic_utilsprogbar = generic_utils.Progbar(X_train.shape[0])for X_batch, Y_batch in datagen.flow(X_train, Y_train): loss, acc = model_test.train([X_batch]*2, Y_batch, accuracy=True) progbar.add(X_batch.shape[0], values=[("train loss", loss), ("acc", acc)])