У меня есть модель, которую я тренирую с помощью обратных вызовов hp.KerasCallback и TensorBoard, как описано в примере :
model.fit(
...,
callbacks=[
tf.keras.callbacks.TensorBoard(logdir), # log metrics
hp.KerasCallback(logdir_hp, hparams), # log hparams
],
)
Это успешно распечатывает все мои входные (гипер) параметры (в hparams dict) и - метрики обучения, если logdir_hp равно /train (или составитель сводки для обучения директории) - метрики проверки, если logdir_hp равен /validation (или составитель сводки в директорию валидации)
, но никогда одновременно из-за неоднозначного имени итогового тензора!
Как мне записать одни и те же метри c, но в обоих прогонах (обучение и проверка), используя префикс es (например, acc и val_acc) для лучшего анализа?
Приведенный выше результат был получен с использованием api оценки, который автоматически добавляет имя запуска на основе папка (тренировка в текущей папке, поэтому без префикса, для проверки это eval, и у меня была дополнительная оценка каждые x шагов, сохраненных в global_eval), можно ли добиться того же в keras model.fit ()?