1. 背景介绍
在训练深度学习模型时，通常需要监控模型的训练过程以及模型在测试数据上的表现。其中，最常用的评估标准为损失函数(loss)和准确率(accuracy)。为了对模型进行更加细致的监控和调节，我们可以使用Keras提供的自定义回调函数来实时输出训练过程中的loss和accuracy。本文将介绍如何使用Keras自定义回调函数来查看训练的loss和accuracy，并给出示例代码。
2. 自定义回调函数
2.1 回调函数概述
在Keras中，回调函数(callback)可以在训练过程中的不同阶段进行特定操作。例如，在每个epoch结束后记录loss和accuracy等指标，保存模型等。Keras提供了多种内置的回调函数，如ModelCheckpoint、TensorBoard、EarlyStopping等。同时，Keras也支持用户自定义回调函数，以满足特定的需求。
2.2 自定义回调函数实现
要实现自定义回调函数，需要继承keras.callbacks.Callback类并实现其方法。在本文中，我们关注loss和accuracy这两个指标的实时输出，因此需要在on_epoch_end方法中进行操作。具体代码实现如下：
from keras.callbacks import Callback
class LossAndAccuracyCallback(Callback):
def __init__(self):
super(LossAndAccuracyCallback, self).__init__()
def on_epoch_end(self, epoch, logs=None):
logs = logs or {}
loss = logs.get('loss')
acc = logs.get('acc')
print('epoch:{}, loss:{}, acc:{}'.format(epoch+1, loss, acc))
在自定义回调函数中，我们重写了Callback类中的on_epoch_end方法，在每个epoch结束时调用该方法，并传入当前epoch数以及训练日志logs。logs中包含了当前epoch的loss和accuracy等训练指标。需要注意的是，logs中的指标名称与模型编译时指定的名称一致。在常用的模型中，loss和accuracy分别对应'loss'和'acc'。如果指定了多个评估指标，logs中会包含这些指标的名称和值。
3. 示例代码
我们以MNIST手写数字识别任务为例，演示如何使用自定义回调函数实时输出loss和accuracy。首先，我们加载数据并对其做预处理。
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K
batch_size = 128
num_classes = 10
epochs = 10
# input image dimensions
img_rows, img_cols = 28, 28
# the data, split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()
if K.image_data_format() == 'channels_first':
x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
input_shape = (1, img_rows, img_cols)
else:
x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
input_shape = (img_rows, img_cols, 1)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)
在MNIST数据集上，我们使用了一个简单的卷积神经网络作为模型，具体代码实现如下。
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adadelta(),
metrics=['accuracy'])
接着，我们定义LossAndAccuracyCallback回调函数并将其传入模型的fit方法中。
lac_cb = LossAndAccuracyCallback()
model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test),
callbacks=[lac_cb])
训练过程的输出结果会包含loss和accuracy值，例如：
...
Train on 60000 samples, validate on 10000 samples
Epoch 1/10
60000/60000 [==============================] - 154s 3ms/step - loss: 0.2602 - accuracy: 0.9214 - val_loss: 0.0588 - val_accuracy: 0.9819
epoch:1, loss:0.26017404447960856, acc:0.9214333295822144
Epoch 2/10
60000/60000 [==============================] - 163s 3ms/step - loss: 0.0860 - accuracy: 0.9736 - val_loss: 0.0404 - val_accuracy: 0.9864
epoch:2, loss:0.08597958453834025, acc:0.9736166596412659
Epoch 3/10
60000/60000 [==============================] - 169s 3ms/step - loss: 0.0639 - accuracy: 0.9807 - val_loss: 0.0301 - val_accuracy: 0.9895
epoch:3, loss:0.06389832020378116, acc:0.980650007724762
根据输出结果，我们可以看到每个epoch的loss和accuracy值。需要注意的是，在输出loss和accuracy值时，我们使用了format方法进行格式化，将epoch数、loss值和accuracy值分别插入字符串中。此外，默认情况下，Keras会将每个epoch的训练日志输出到控制台，并以列表的形式展示。为了避免混乱，我们在自定义回调函数中进行了简化，仅输出loss和accuracy值，以便更加清晰地观察训练过程。