J'essaie d'entraîner mon jeu de données d'images 20x20 en utilisant la bibliothèque d'apprentissage en profondeur MXNet, vous pouvez voir le code ci-dessous: la question est quand je l'exécute, bien qu'il montre aucune erreur ne retourne rien, je veux dire qu'il ne présente pas de traitement comme:Comment imprimer les étapes de traitement/rapport de model.fit MXNet Python
époque 0: ........ précision: .....
époque 1: .... .... précision: .....
alors, comment dois-je faire imprimer un tel format de traitement, ou où pourrait être le problème? Note: J'ai essayé toutes sortes d'API de rappel: http://mxnet.io/api/python/callback.html?fref=gc et aucune d'elles ne donne de réponse; le code fonctionne sans erreurs mais pas d'étapes de traitement affichées!
Merci à l'avance
X_train = []
training_flatten_rows_mxnet_csv=np.loadtxt("training_set_flatten_rows_mxnet.csv", delimiter=",")
train_data = training_flatten_rows_mxnet_csv
X_train = train_data.reshape((training_counter,1,20,20))
Y_train = np.loadtxt("training_labels.csv", delimiter=",")
X_validate = []
validate_flatten_rows_mxnet_csv=np.loadtxt("validation_set_flatten_rows_mxnet.csv", delimiter=",")
validate_data = validate_flatten_rows_mxnet_csv
X_validate = validate_data.reshape((validate_counter,1,20,20))
Y_validate = np.loadtxt("validate_labels.csv", delimiter=",")
train_iterator = mx.io.NDArrayIter(X_train, Y_train, batch_size=batch_size,shuffle=True)#,last_batch_handle='discard')
validate_iterator = mx.io.NDArrayIter(X_validate, Y_validate, batch_size=batch_size,shuffle=True)
data = mx.sym.var('data')
conv1 = mx.sym.Convolution(data=data, kernel=(3,3), num_filter=6)
relu1 = mx.sym.Activation(data=conv1, act_type="relu")
pool1 = mx.sym.Pooling(data=relu1, pool_type="max", kernel=(2,2), stride=(2,2))
conv2 = mx.sym.Convolution(data=pool1, kernel=(6,6), num_filter=12)
relu2 = mx.sym.Activation(data=conv2, act_type="relu")
pool2 = mx.sym.Pooling(data=relu2, pool_type="max", kernel=(2,2), stride=(2,2))
flatten = mx.sym.flatten(data=pool2)
fc1 = mx.symbol.FullyConnected(data=flatten, num_hidden=12)
lenet = mx.sym.SoftmaxOutput(data=fc1, name='softmax')
lenet_model = mx.mod.Module(symbol=lenet, context=mx.cpu())
lenet_model.fit(train_iterator,
eval_data=validate_iterator,
optimizer='sgd',
optimizer_params={'learning_rate':0.1},
eval_metric='acc',
batch_end_callback =mx.callback.Speedometer(batch_size, 100),
num_epoch=5)