如何在Keras模型循环训练中正确更新DataFrame存储损失值？

原代码的核心问题是错误地直接给DataFrame的列赋值单个值，而非为每组参数添加新的一行记录：

• 当modeldata是空DataFrame时，执行modeldata['Epochs'] = e这类操作，无法生成有效行（单个值无法匹配空DataFrame的行长度）。
• 即使DataFrame有行，每次循环也会覆盖整列的所有值，最终只会保留最后一组循环的参数，而非所有组合的记录。

推荐两种高效的实现方式：

方式1：先收集数据到列表，再生成DataFrame（性能更优） #

这种方式避免频繁修改DataFrame，尤其适合参数组合较多的场景：

import pandas as pd

epochs = [1,5,10,15,20,25,30]
batch_sizes = [64,128,256,512]
data_list = []  # 用列表存储每组参数的结果

for e in epochs:
    for bs in batch_sizes:
        # 训练模型
        training = mod_nvp.fit(
            x_train, y_train,    
            batch_size = bs, 
            epochs = e,
            validation_split = 0.2,
            verbose = 0
        )
        y_pred = mod_nvp.predict(x_test, verbose = 0) 
        current_loss = custom_loss_nvp1(y_test,y_pred)
        
        # 把当前参数和结果存入字典，再添加到列表
        data_list.append({
            'Epochs': e,
            'Batch Size': bs,
            'Loss': current_loss,
            'Training Loss': sum(training.history['loss']),
            'Test Loss': sum(training.history['val_loss'])
        })
        
        print('current running epoch',e,'with batchsize',bs)

# 最后用列表生成完整DataFrame
modeldata = pd.DataFrame(data_list)

方式2：逐行追加到DataFrame（适合小量数据） #

如果参数组合较少，也可以每次循环生成单行DataFrame并追加：

import pandas as pd

epochs = [1,5,10,15,20,25,30]
batch_sizes = [64,128,256,512]
modeldata = pd.DataFrame()

for e in epochs:
    for bs in batch_sizes:
        training = mod_nvp.fit(
            x_train, y_train,    
            batch_size = bs, 
            epochs = e,
            validation_split = 0.2,
            verbose = 0
        )
        y_pred = mod_nvp.predict(x_test, verbose = 0) 
        current_loss = custom_loss_nvp1(y_test,y_pred)
        
        # 生成单行DataFrame并追加
        new_row = pd.DataFrame({
            'Epochs': [e],
            'Batch Size': [bs],
            'Loss': [current_loss],
            'Training Loss': [sum(training.history['loss'])],
            'Test Loss': [sum(training.history['val_loss'])]
        })
        modeldata = pd.concat([modeldata, new_row], ignore_index=True)
        
        print('current running epoch',e,'with batchsize',bs)

• 模型重置：如果mod_nvp是在循环外定义的，每次训练会在上一次的基础上继续优化。若需要每组参数都训练全新模型，要把模型初始化代码（比如mod_nvp = build_your_model()）放到循环内部。
• 损失值格式：确保custom_loss_nvp1返回单个数值，而非数组，否则会出现DataFrame行长度不匹配的问题。

内容的提问来源于stack exchange，提问作者rex