Keras中的回调函数（callback）的使用与介绍

以前我在训练的时候，都是直接设定一个比较大的epoch，跑完所有的epoch之后再根据数据去调整模型与参数。这样做会比较耗时，例如说训练在某一个epoch开始已经过拟合了，后面继续训练意义就不大了。

在书上看到的callback函数很好的解决了这个问题，它能够监测训练过程中的loss或者acc这些指标，一旦观察到损失不再改善之后，就可以中止训练，节省时间。下面记录一下

介绍：

（选自《python深度学习》）

回调函数（callback）是在调用fit时传入模型的一个对象，它在训练过程中的不同时间点都会被模型调用。它可以访问关于模型状态与性能的所有可用数据，还可以采取行动：中断训练、保存模型、加载一组不同的权重或改变模型的状态。

部分回调函数：

1.ModelCheckpoint与EarlyStopping

监控目标若在指定轮数内不再改善，可利用EarlyStopping来中断训练。

可配合ModelCheckpoint使用，该回调函数可不断地保存模型，亦可以只保存某一epoch最佳性能模型

import keras

callbacks_list=[
    keras.callbacks.EarlyStopping(
        monitor='acc',#监控精度
        patience=5,#5轮内不改善就中止
),
    keras.callbacks.ModelCheckpoint(
        filepath='C:/apple/my_model.h5',#模型保存路径
        monitor='val_loss',#检测验证集损失值
        save_best_only=True#是否只保存最佳模型
    )
]

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['acc'])

model.fit(x,y,
          epochs=10,
          batch_size=32,
          callbacks=callbacks_list,#在这里放入callback函数
          validation_data=(x_val,y_val)
 )

2.ReduceLROnPlateau回调函数

如果验证损失不再改善，可以使用该回调函数来降低学习率。

import keras

callbacks_list=[
    keras.callbacks.ReduceLROnPlateau(
        monitor='val_loss',#监控精度
        patienece=5,  # 5轮内不改善就改变
        factor=0.1#学习率变为原来的0.1
)
]

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['acc'])

model.fit(x,y,
          epochs=10,
          batch_size=32,
          callbacks=callbacks_list,#在这里放入callback函数
          validation_data=(x_val,y_val)
 )