相同代码在TensorFlow1.15.0与2.3.0版本训练进度输出差异咨询

额外进度条的本质 #

你观察到的两条额外进度条，分别对应单轮训练结束后的训练集指标全量计算流程、验证集评估流程，是TensorFlow 1.x版本内置Keras模块的默认输出逻辑导致的。

具体原因 #

• TensorFlow 1.15 内置的Keras版本为2.2.x/2.3.1，该版本下model.fit()的进度条没有做阶段合并，训练迭代、训练集指标汇总、验证集评估三个阶段会各自输出独立的进度条。而TensorFlow 2.3.0对应的Keras版本已经完成了进度条逻辑优化，三个阶段的进度会合并到单条轮次进度条中，仅在进度条末尾更新验证指标，不会单独输出。
• 只要你的代码中配置了validation_split参数或者传入了validation_data验证数据集，1.x版本的Keras就会在每轮训练跑完所有训练batch后，先全量遍历训练集计算本轮平均损失、准确率等汇总指标（第一条额外进度条），再全量遍历验证集计算验证指标（第二条额外进度条），两个流程各自独立输出进度。
• 两者的弃用警告、运行耗时差异属于版本迭代的正常表现：TensorFlow 1.15是1.x分支的最终稳定版，大量API在2.x版本中已经被重构替换，所以旧版本会输出大量弃用提示；同时2.x版本默认开启了图执行优化、Eager模式性能优化，相同代码的运行耗时会比1.15更短。

可选优化方案 #

如果要在TensorFlow 1.15中隐藏额外进度条，可以显式指定训练和验证的步数，同时调整进度条日志回调：

# 提前计算对应数据集的总步数，传入fit方法
train_steps = len(train_dataset) // batch_size
val_steps = len(val_dataset) // batch_size

# 配置进度条回调
from tensorflow.keras.callbacks import ProgbarLogger
callbacks = [ProgbarLogger(count_mode='steps')]

model.fit(
    ...,
    steps_per_epoch=train_steps,
    validation_steps=val_steps,
    callbacks=callbacks
)

内容的提问来源于stack exchange，提问作者kvadrat