关于怎么监督机器学习训练的进度

最新推荐文章于 2024-03-18 18:44:51 发布

DJ.马

最新推荐文章于 2024-03-18 18:44:51 发布

阅读量461

点赞数 4

分类专栏： # 评价指标参数和模型参数文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/DJJ5210/article/details/136159747

版权

评价指标参数和模型参数专栏收录该内容

14 篇文章 1 订阅

订阅专栏

不知道大家有没有我这种烦恼，运行机器学习模型的时候，一直在哪运行，也不知道啥时候会结束，等也不是，不等也不是，又着急想看到结果。

如下提出三种监督训练进度的方法：

1.使用回调函数： 许多机器学习框架（例如TensorFlow和Keras）支持回调函数，它们可以在训练的不同阶段执行特定的操作。例如，可以使用回调函数记录每个epoch的性能指标，保存模型的检查点，动态调整学习率等。

from tensorflow.keras.callbacks import Callback

class CustomCallback(Callback):
    def on_epoch_end(self, epoch, logs=None):
        print(f"Epoch {epoch + 1}, Loss: {logs['loss']}, Validation Loss: {logs['val_loss']}")

model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val), callbacks=[CustomCallback()])

2.训练日志输出：许多机器学习框架会在训练过程中输出日志信息，其中包含每个epoch的损失、准确率等指标。这些信息可以帮助你了解模型的训练进度。

history = model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val))
print(history.history)  # 包含训练过程中的损失和指标的字典

3.使用进度条：有些框架提供了用于可视化训练进度的进度条工具。例如，在Scikit-learn的GridSearchCV中，你可以设置verbose参数以显示训练进度。

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier

param_grid = {'n_estimators': [50, 100, 200]}
grid_search = GridSearchCV(RandomForestClassifier(), param_grid=param_grid, verbose=2)
grid_search.fit(X_train, y_train)