在 TensorFlow 1.x 中，我可以非常自由地选择在训练期间如何以及何时打印准确性/损失分数。例如，如果我想每 100 个时期打印一次训练损失，在 tf.Session() 中我会写:
if epoch % 100 == 0:
print(str(epoch) + '. Training Loss: ' + str(loss))
在 TF 2.0(alpha)发布后，Keras API 似乎强制坚持其标准输出。有没有办法恢复这种灵 active ？
最佳答案
如果您不使用 Keras 模型方法(.fit、.train_on_batch、...)并且您使用 eager execution(和可选择将其包装在 tf.function 中以将其转换为图形表示形式)您可以像在 1.x 中那样控制冗长度
training_epochs = 10
step = 0
for epoch in range(training_epochs)
print("starting ",epoch)
for features, labels in dataset:
with tf.GradientTape() as tape:
loss = compute_loss(model(features),labels)
gradients = tape.gradients(loss, model.trainable_variables)
optimizer.apply_gradients(zip(gradients, model.trainable_variables))
step += 1
if step % 10 == 0:
# measure other metrics if needed
print("loss: ", loss)
print("Epoch ", epoch, " finished.")
关于python - 如何在 TensorFlow 2.0 中控制冗长，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/55160570/