因?yàn)橛械哪Ｐ褪?code>epoch敏感的，只需要很少的epoch就能夠達(dá)到比較好的訓(xùn)練結(jié)果，因此采用常規(guī)的記錄方式?jīng)]辦法比較好的畫loss和acc的圖（橫軸epoch數(shù)據(jù)太少），需要在每個(gè)batch之后就能夠畫出當(dāng)前batch級(jí)別的訓(xùn)練信息。
可以用過自定義的類來繼承Callback，然后把這個(gè)類傳給fit的callbacks參數(shù)，這樣訓(xùn)練的時(shí)候回調(diào)該類里面的函數(shù)達(dá)到信息記錄的目的：

from keras import callbacks
class LossAndAccHistory(callbacks.Callback):
    '''
    繼承自Callback，實(shí)現(xiàn)特定的方法
    '''
    def on_train_begin(self, logs={}):
        self.loss = []
        self.acc = []

    def on_batch_end(self, batch, logs={}):
        self.loss.append(logs.get('loss'))
        self.acc.append(logs.get('acc'))


history = LossAndAccHistory()
epochs = 2
model.fit(x_train, y_train, batch_size=64, epochs=epochs, validation_data=(x_val, y_val),
                    callbacks=[history]) #自定義的函數(shù)給到callback回調(diào)，每次在固定的時(shí)間點(diǎn)記錄訓(xùn)練信息
plt.figure()
plt.plot(range(0, len(history.loss)), history.loss, label='train_loss')
plt.plot(range(0, len(history.acc)), history.acc, label='train_acc')
plt.xlabel('Batch')
plt.title('Training Loss and Accuracy')
plt.ylabel('Loss / Accuracy')
plt.legend()
plt.savefig('./train-results.png')
plt.show()