如何设置Keras每N个训练轮次后执行模型验证？

这个需求太常见了——当验证数据集很大时，每轮都跑验证确实会浪费不少时间。我给你分享两种实用的实现方式，你可以根据自己的习惯选：

方法1：自定义回调函数（最灵活） #

这种方法是通过Keras的Callback来手动控制验证时机，完全避开默认的每轮验证逻辑，步骤如下：

1. 首先，移除model.fit_generator里的validation_data和validation_steps参数，防止默认的每轮验证触发。
2. 写一个自定义的回调类，在每个epoch结束时判断是否到达了我们设定的验证间隔，若是则手动调用evaluate_generator执行验证。

代码示例 #

from keras.callbacks import Callback

class PeriodicValidation(Callback):
    def __init__(self, validation_generator, validation_steps, every_n_epochs=5):
        super().__init__()
        self.val_gen = validation_generator
        self.val_steps = validation_steps
        self.every_n = every_n_epochs  # 验证间隔，比如每5轮一次

    def on_epoch_end(self, epoch, logs=None):
        # Keras里epoch从0开始计数，所以要+1来匹配我们日常说的第N轮
        if (epoch + 1) % self.every_n == 0:
            print(f"\n=== 开始第{epoch+1}轮后的验证 ===")
            # 手动执行验证
            val_loss, val_acc = self.model.evaluate_generator(
                self.val_gen,
                steps=self.val_steps,
                verbose=2,
                workers=12
            )
            # 把验证结果写入训练日志，这样能在控制台看到统一的输出
            if logs is not None:
                logs['val_loss'] = val_loss
                logs['val_acc'] = val_acc
            print(f"验证结果：loss={val_loss:.4f}, accuracy={val_acc:.4f}\n")

使用方式 #

# 初始化自定义回调，替换N为你想要的间隔
periodic_val_callback = PeriodicValidation(
    validation_generator,
    validation_steps=nb_validation_samples // batch_size,
    every_n_epochs=N
)

# 启动训练，注意不要传validation_data和validation_steps
model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    verbose=2,
    workers=12,
    callbacks=[periodic_val_callback]
)

优点 #

• 完全自定义验证时机，还能在验证后加额外逻辑（比如保存最佳模型、发送通知）
• 验证结果会被整合到训练日志里，方便后续分析

方法2：分阶段循环训练（更直观） #

如果觉得写回调有点麻烦，也可以手动拆分训练过程：每次训练N个epoch，然后手动执行一次验证，循环直到完成总训练轮次。

代码示例 #

total_epochs = epochs
n_epochs_per_round = N  # 每N轮验证一次
current_epoch = 0

while current_epoch < total_epochs:
    # 处理最后一轮可能不足N的情况
    epochs_to_run = min(n_epochs_per_round, total_epochs - current_epoch)
    
    print(f"\n=== 训练第{current_epoch+1}~{current_epoch+epochs_to_run}轮 ===")
    model.fit_generator(
        train_generator,
        steps_per_epoch=nb_train_samples // batch_size,
        epochs=current_epoch + epochs_to_run,
        initial_epoch=current_epoch,
        verbose=2,
        workers=12
    )
    
    # 更新当前训练进度
    current_epoch += epochs_to_run
    
    # 执行验证
    print("\n=== 开始验证 ===")
    val_loss, val_acc = model.evaluate_generator(
        validation_generator,
        steps=nb_validation_samples // batch_size,
        verbose=2,
        workers=12
    )
    print(f"验证结果：loss={val_loss:.4f}, accuracy={val_acc:.4f}\n")
    
    # 可选：保存当前模型
    model.save(f"model_after_{current_epoch}_epochs.h5")

优点 #

• 逻辑简单易懂，不用写回调函数，适合新手快速上手
• 可以在每个训练阶段后灵活调整策略（比如修改学习率、更换数据增强方式）

注意事项 #

• 如果用的是TensorFlow 2.x，建议改用model.fit替代fit_generator（后者已被弃用），两种方法的逻辑完全适用，只需要把fit_generator换成fit即可。
• 确保你的validation_generator是可重复使用的（比如不要是一次性迭代器），否则第二次验证会报错。
• 验证时建议关闭验证数据的随机变换（比如设置shuffle=False），保证每次验证的结果具有可比性。

内容的提问来源于stack exchange，提问作者Tu Bui