如何测量并记录Keras/TensorFlow下人工神经网络算法的总训练时长？

可修改训练代码时的最优方案 #

直接在训练逻辑外层添加计时逻辑即可，不同框架的实现参考如下：

• TensorFlow/Keras 框架
  可自定义回调实现，不需要改动原有训练逻辑：

import time
from tensorflow.keras.callbacks import Callback

class TotalTimeLogger(Callback):
    def on_train_begin(self, logs=None):
        self.train_start = time.time()
    def on_train_end(self, logs=None):
        total_cost = time.time() - self.train_start
        print(f"总训练耗时：{total_cost:.2f} 秒")

# 训练时传入回调即可
model.fit(x_train, y_train, epochs=10, callbacks=[TotalTimeLogger()])

也可以直接在model.fit前后加时间戳打印，实现逻辑更简单。

• PyTorch 框架
  直接在外层训练循环加时间统计：

import time

start_time = time.time()
# 原有训练循环
for epoch in range(epochs_num):
    for batch_data in train_loader:
        # 单步训练逻辑
        pass

total_cost = time.time() - start_time
print(f"总训练耗时：{total_cost:.2f} 秒")

以上方案统计的时长最准确，包含了模型保存、校验、epoch间隙等所有额外开销。

仅能基于已有日志统计的方案 #

你给出的单步日志 7/7 [==============================] - 0s 2ms/step - loss: 0.2611 - accuracy: 0.9816已经包含了计算所需的核心字段：

• 单步平均耗时：日志中2ms/step即为单步训练的耗时
• 单epoch总步数：日志开头7/7的第二个数字即为单轮训练的总步数
  统计逻辑如下：

1. 统计所有训练轮次的总步数 = 训练epoch数 × 单epoch总步数
2. 若有验证环节，同步提取验证日志中的验证总步数、单步验证耗时
3. 总训练时长 = （训练总步数 × 单步训练耗时） + （验证总步数 × 单步验证耗时）
   如果日志量较大，可以写简单脚本批量提取，用正则匹配r'- (\d+)s (\d+)ms/step'格式的字段，自动累加即可。该方法统计结果会有5%以内的误差，误差来自日志IO开销、训练间隙的闲置耗时，仅适合无法重跑训练的场景使用。

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