如何调整Keras中train_on_batch()方法的输出详细程度？

方法1：通过Python logging模块控制Keras日志级别 #

原生Keras依赖Python的logging模块输出训练信息，你可以调整其日志级别，屏蔽默认的单批次训练日志，只保留关键提示：

import logging
# 将Keras日志级别设为WARNING，仅输出警告及以上级别的信息
logging.getLogger('keras').setLevel(logging.WARNING)

之后在训练循环中手动按需打印进度，比如每N个批次输出一次损失数据：

total_batches = 10000
print_interval = 100  # 每100个批次打印一次

for batch_idx in range(total_batches):
    # 执行GAN训练步骤
    d_loss_real = discriminator.train_on_batch(real_imgs, real_labels)
    d_loss_fake = discriminator.train_on_batch(fake_imgs, fake_labels)
    g_loss = combined_model.train_on_batch(noise, real_labels)
    
    # 按设定间隔打印训练状态
    if batch_idx % print_interval == 0:
        print(f"Batch {batch_idx:5d} | D Real Loss: {d_loss_real[0]:.4f} | D Fake Loss: {d_loss_fake[0]:.4f} | G Loss: {g_loss[0]:.4f}")

方法2：临时重定向标准输出（进阶） #

如果不想完全屏蔽Keras日志，仅跳过部分批次的输出，可以在训练循环中临时重定向stdout：

import sys
from contextlib import redirect_stdout

print_interval = 100

for batch_idx in range(total_batches):
    # 非打印间隔批次，将输出重定向到空设备
    if batch_idx % print_interval != 0:
        # Windows系统替换为'NUL'
        with open('/dev/null', 'w') as f, redirect_stdout(f):
            d_loss_real = discriminator.train_on_batch(real_imgs, real_labels)
            d_loss_fake = discriminator.train_on_batch(fake_imgs, fake_labels)
            g_loss = combined_model.train_on_batch(noise, real_labels)
    else:
        # 打印间隔批次，正常输出训练信息
        d_loss_real = discriminator.train_on_batch(real_imgs, real_labels)
        d_loss_fake = discriminator.train_on_batch(fake_imgs, fake_labels)
        g_loss = combined_model.train_on_batch(noise, real_labels)
        print(f"Batch {batch_idx:5d} | Losses: D_real={d_loss_real[0]:.4f}, D_fake={d_loss_fake[0]:.4f}, G={g_loss[0]:.4f}")

方法3：修改Keras源码（不推荐） #

若以上方法都不满足需求，可直接修改Keras中train_on_batch的日志逻辑，但该方法会影响全局环境，且Keras更新后会覆盖修改，仅作为最后选项：
找到Keras安装目录下training.py文件中的train_on_batch方法，删除或注释掉打印单批次训练信息的代码段（通常是self._log_train_metrics(metrics)相关调用）。

内容的提问来源于stack exchange，提问作者lowlyprogrammer