06_人脸识别实战（深度学习）- 回调函数

上一篇博客，我们学会如何训练模型，但是训练好的模型我们需要保存下来啊？一般有2种方式。
第一种，我们可以等模型训练完了，再调用保存模型的方法。但是一般不用等模型训练完，模型就能达到很高的精度，另外一方面，训练完的模型可能过拟合或者还不如训练过程中的精度高。所以；我们我们经常用第二种，在训练过程中，就不断的保存模型。
这里就需要用到回调函数了callbacks

callbacks创建

还是直接上代码吧！

# 下面是创建callbacks 
    trained_models_path = "./trained_models/face_model"
    log_file_path = "./log.csv"
    early_stop = EarlyStopping('loss', 0.1, patience=60) # 当损失（loss）提升连续60次小于0.1时，就停止训练模型
    reduce_lr = ReduceLROnPlateau('loss', factor=0.1, patience=25, verbose=1) #当损失的训练轮次25后还没有进步，那么学习率就会降低
    csv_logger = CSVLogger(log_file_path, append=False) #保存日志，地址、日志不叠加
    model_names = trained_models_path + '.{epoch:02d} - {accuracy:2f}.hdf5'  #模型保存的名称
    model_checkpoint = ModelCheckpoint(model_names, #模型名称
                                       monitor='loss', #监听损失的变化
                                       verbose=1,
                                       save_best_only=True, #是否值保存最好的
                                       save_weights_only=False) #是否值保存权重（模型包括“权值”和“框架”）
    callbacks = [model_checkpoint, csv_logger, early_stop, reduce_lr]

• early_stop：这个方法，可以提前停止训练模型
• reduce_lr：当这个指标在训练轮次多少次后还没有进步，那么学习率就会降低
• csv_logger：保存日志
• model_checkpoint：持久化训练好的模型

callbacks使用

上面创建了callbacks，那怎么使用呢？
还记得博客的模型训练方法吗？最后我们调用的“model.fit”

model.fit(X_train,y_train,
                        steps_per_epoch=10,
                        epochs=num_epochs,
                        verbose=1,
                        validation_data=(X_test,y_test),
                        validation_steps=len(y_test) / batch_size)

我们修改成下面就好了

model.fit(X_train,y_train,
                        steps_per_epoch=10,
                        epochs=num_epochs,
                        verbose=1,
                        callbacks=callbacks,  # 对，就是加在这里
                        validation_data=(X_test,y_test),
                        validation_steps=len(y_test) / batch_size)

我们再次训练，就会发现，在每次训练完毕，就会产生很多模型文件（大概100兆以上）和日志，好吧，选一个精度最高的模型，修改名称为"best_face_recognition_model.hdf5"，我们进行下一篇，模型识别图片中2个人脸是否为同一个人？

参考文献：keras保存模型