不知道大家有没有我这种烦恼，运行机器学习模型的时候，一直在哪运行，也不知道啥时候会结束，等也不是，不等也不是，又着急想看到结果。
如下提出三种监督训练进度的方法：
1.使用回调函数： 许多机器学习框架（例如TensorFlow和Keras）支持回调函数，它们可以在训练的不同阶段执行特定的操作。例如，可以使用回调函数记录每个epoch的性能指标，保存模型的检查点，动态调整学习率等。
from tensorflow.keras.callbacks import Callback
class CustomCallback(Callback):
def on_epoch_end(self, epoch, logs=None):
print(f"Epoch {epoch + 1}, Loss: {logs['loss']}, Validation Loss: {logs['val_loss']}")
model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val), callbacks=[CustomCallback()])
2.训练日志输出： 许多机器学习框架会在训练过程中输出日志信息，其中包含每个epoch的损失、准确率等指标。这些信息可以帮助你了解模型的训练进度。
history = model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val))
print(history.history) # 包含训练过程中的损失和指标的字典
3.使用进度条： 有些框架提供了用于可视化训练进度的进度条工具。例如，在Scikit-learn的GridSearchCV中，你可以设置verbose参数以显示训练进度。
from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier
param_grid = {'n_estimators': [50, 100, 200]}
grid_search = GridSearchCV(RandomForestClassifier(), param_grid=param_grid, verbose=2)
grid_search.fit(X_train, y_train)
