Keras训练ANN时隐藏进度条及解决代码重运行冻结问题求助

我来帮你一步步搞定这几个问题哈：

终端不重启就卡壳，本质是TensorFlow的会话没彻底释放CPU/GPU资源，导致第二次运行时无法初始化新的会话。你可以在代码末尾加一段资源清理的代码，确保每次运行完都释放资源：

from keras import backend as K
import tensorflow as tf

# 清理Keras后端资源
K.clear_session()
# 关闭TensorFlow会话（适配TF1.x，你的Python3.5.4对应的应该是TF1.x版本）
tf.Session().close()

要是偶尔还是有残留进程，也可以在终端用ps aux | grep python找到残留的Python进程，用kill -9 [进程ID]手动杀掉。

GridSearchCV的verbose=0只能关闭它自己的日志，Keras模型训练时的进度条是Keras自身的输出，得从Keras这边下手禁用。有两种简单方法：

• 全局禁用日志：在代码最开头加这几行，直接屏蔽Keras和TensorFlow的冗余输出：

  import os
  os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
  import keras
  keras.utils.disable_interactive_logging()
  

• 配合模型包装禁用：下面会提到用KerasClassifier包装模型，那时可以直接在包装时指定verbose=0，从根源上关掉训练进度条。

你直接把Keras模型传给GridSearchCV的estimator是不对的——GridSearchCV需要的是符合scikit-learn接口的估计器，Keras模型得用KerasClassifier（分类任务专用）包装一下才能兼容。这也是你传verbose参数报错的核心原因，因为GridSearchCV的fit方法根本不接受这个参数。

正确的操作步骤是：

1. 把你的模型定义成一个单独的构建函数：

   def create_model():
       # 这里写你原来model1的定义代码，比如：
       model = Sequential()
       model.add(Dense(64, activation='relu', input_dim=X_train.shape[1]))
       model.add(Dense(2, activation='sigmoid'))  # 根据你的分类类别数调整
       model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
       return model
   

2. 用KerasClassifier包装这个函数，同时设置verbose=0：

   from keras.wrappers.scikit_learn import KerasClassifier
   model1 = KerasClassifier(build_fn=create_model, verbose=0)
   

3. 再把包装好的模型传给GridSearchCV，之后直接调用fit就行，不用再加verbose参数：

   search = GridSearchCV(estimator=model1, param_grid=params, scoring='accuracy', cv=10, n_jobs=-1, verbose=0)
   grid_search = search.fit(X_train, y_train)
   

把上面的步骤整合起来，你的代码应该是这样的：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import GridSearchCV
from keras import backend as K
import tensorflow as tf
import os

# 全局禁用冗余日志
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
import keras
keras.utils.disable_interactive_logging()

# 定义模型构建函数
def create_model():
    model = Sequential()
    model.add(Dense(64, activation='relu', input_dim=X_train.shape[1]))
    model.add(Dense(2, activation='sigmoid'))
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

# 包装模型并关闭训练进度条
model1 = KerasClassifier(build_fn=create_model, verbose=0)

# 你的参数网格
params = {
    'batch_size': [16, 32],
    'epochs': [10, 20]
}

# 初始化GridSearchCV
search = GridSearchCV(estimator=model1, param_grid=params, scoring='accuracy', cv=10, n_jobs=-1, verbose=0)

# 开始训练
grid_search = search.fit(X_train, y_train)

# 训练完成后清理资源，避免重运行冻结
K.clear_session()
tf.Session().close()

这样三个问题应该都能解决：重运行不会卡壳、训练时没有进度条输出、也不会再出现verbose参数的报错。

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