Python中跑实验控制epochs次数，输出当前的参数张量

在Python中，特别是在深度学习框架如TensorFlow或PyTorch中，如果你想控制训练（也称为epochs）的轮数并输出每次迭代（batch）的模型参数，你可以这样做：

1. 使用TensorFlow（Keras API）:

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 创建模型
model = Sequential([
    Dense(64, activation='relu', input_shape=(input_dim,)),
    Dense(64, activation='relu'),
    Dense(num_classes, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 定义epochs数
epochs = 50

for epoch in range(epochs):
    # 模型训练一轮
    history = model.fit(X_train, y_train, epochs=1, validation_data=(X_val, y_val))

    # 在每轮结束后可以获取模型参数（权重）
    weights = model.get_weights()
    
    # 输出当前的参数（这里仅展示部分层，可根据需要选择）
    print(f"Epoch {epoch+1}:")
    for i, layer_weights in enumerate(weights):
        if 'kernel' in layer_weights.name or 'bias' in layer_weights.name:  # 示例：关注weight矩阵和bias向量
            print(f"Layer {i}: Weights shape - {layer_weights.shape}")
        
    # 如果想要输出特定时刻的参数，可以在fit()函数内部添加回调函数，如ModelCheckpoint或TensorBoard