前提・実現したいこと

JupyterLabでKerasを使っています。
時々大量のログが生成され、困っています。
まったくログが出ないようにすると、学習の進み具合がわからないので避けたいです。

発生している問題・エラーメッセージ

本来このように出るはずのログが

Train on 158 samples, validate on 18 samples
Epoch 1/100
158/158 [==============================] - 0s 3ms/step - loss: 0.1217 - val_loss: 0.0347
Epoch 2/100
158/158 [==============================] - 0s 852us/step - loss: 0.0816 - val_loss: 0.0476
Epoch 3/100

このように、とても長いログになってしまいます。

Train on 12898 samples, validate on 1434 samples
Epoch 1/100
12898/12898 [==============================] - ETA: 34s - loss: 700.48 - ETA: 27s - loss: 667.37 - ETA: 24s - loss: 639.71 - ETA: 23s - loss: 610.21 - ETA: 22s - loss: 584.18 - ETA: 21s - loss: 560.60 - ETA: 20s - loss: 537.53 - ETA: 19s - loss: 515.17 - ETA: 18s - loss: 493.62 - ETA: 18s - loss: 472.83 - ETA: 17s - loss: 454.89 - ETA: 17s - loss: 436.95 - ETA: 16s - loss: 419.95 - ETA: 16s - loss: 404.07 - ETA: 15s - loss: 389.16 - ETA: 14s - loss: 374.64 - ETA: 14s - loss: 361.08 - ETA: 13s - loss: 348.21 - ETA: 13s - loss: 335.94 - ETA: 12s - loss: 324.26 - ETA: 11s - loss: 313.05 - ETA: 11s - loss: 302.43 - ETA: 10s - loss: 292.73 - ETA: 10s - loss: 283.27 - ETA: 9s - loss: 274.1987 - ETA: 9s - loss: 265.643 - ETA: 8s - loss: 257.574 - ETA: 8s - loss: 249.823 - ETA: 7s - loss: 242.541 - ETA: 6s - loss: 235.526 - ETA: 6s - loss: 228.844 - ETA: 5s - loss: 222.560 - ETA: 5s - loss: 216.445 - ETA: 4s - loss: 210.696 - ETA: 4s - loss: 205.106 - ETA: 3s - loss: 199.822 - ETA: 3s - loss: 194.801 - ETA: 2s - loss: 190.016 - ETA: 2s - loss: 185.440 - ETA: 1s - loss: 181.014 - ETA: 1s - loss: 176.806 - ETA: 0s - loss: 172.761 - 24s 2ms/step - loss: 168.9341 - val_loss: 1.2355
Epoch 2/100
12898/12898 [==============================] - ETA: 21s - loss: 5.95 - ETA: 21s - loss: 5.61 - ETA: 20s - loss: 5.50 - ETA: 20s - loss: 5.45 - ETA: 19s - loss: 5.35 - ETA: 19s - loss: 5.24 - ETA: 18s - loss: 5.16 - ETA: 18s - loss: 5.09 - ETA: 17s - loss: 5.02 - ETA: 17s - loss: 5.01 - ETA: 16s - loss: 4.96 - ETA: 16s - loss: 4.91 - ETA: 15s - loss: 4.90 - ETA: 15s - loss: 4.86 - ETA: 14s - loss: 4.85 - ETA: 14s - loss: 4.86 - ETA: 13s - loss: 4.85 - ETA: 13s - loss: 4.85 - ETA: 12s - loss: 4.81 - ETA: 12s - loss: 4.79 - ETA: 11s - loss: 4.79 - ETA: 11s - loss: 4.79 - ETA: 10s - loss: 4.78 - ETA: 10s - loss: 4.78 - ETA: 9s - loss: 4.8036 - ETA: 8s - loss: 4.806 - ETA: 8s - loss: 4.797 - ETA: 7s - loss: 4.782 - ETA: 7s - loss: 4.790 - ETA: 6s - loss: 4.769 - ETA: 6s - loss: 4.769 - ETA: 5s - loss: 4.774 - ETA: 5s - loss: 4.766 - ETA: 4s - loss: 4.756 - ETA: 4s - loss: 4.751 - ETA: 3s - loss: 4.740 - ETA: 3s - loss: 4.734 - ETA: 2s - loss: 4.723 - ETA: 2s - loss: 4.719 - ETA: 1s - loss: 4.703 - ETA: 1s - loss: 4.688 - ETA: 0s - loss: 4.687 - 24s 2ms/step - loss: 4.6907 - val_loss: 5.2633
Epoch 3/100

該当のソースコード

Kerasの部分はこちらです。

Python
1length_of_sequence = x_train.shape[1]
2in_out_neurons = 1
3n_hidden = 300
4
5model = Sequential()
6model.add(LSTM(n_hidden, batch_input_shape=(None, length_of_sequence, in_out_neurons), return_sequences=False))
7model.add(Dense(in_out_neurons))
8model.add(Activation("linear"))
9optimizer = Adam(lr=0.001)
10model.compile(loss="mean_squared_error", optimizer=optimizer)
11
12early_stopping = EarlyStopping(monitor='val_loss', mode='auto', patience=20)
13model.fit(x_train, y_train,
14         batch_size=300,
15         epochs=100,
16         validation_split=0.1,
17         callbacks=[early_stopping]
18         )