TensorFlow中常见内置回调Callback-CFANZ编程社区

class BaseLogger:

计算每个epoch周期的平均指标，这个回调已经被自动应用在每个Keras模型，所以不需要手动设置

callbacks = tf.keras.callbacks.BaseLogger(
    stateful_metrics=None
)

model.fit(
    train_data,
    labels,
    epochs=5,
    batch_size=32,
    validation_split=0.2,
    callbacks=callbacks
)

class CSVLogger:

将每个epoch的评估及损失结果导入到一个CSV文件中

filename：CSV保存路径
separator：不同字段之间的分割符
append：是否在原来的文件基础之上追加

callbacks = tf.keras.callbacks.CSVLogger(
    filename='./res.log',
    separator=',',
    append=False
)

model.fit(
    train_data,
    labels,
    epochs=5,
    batch_size=32,
    validation_split=0.2,
    callbacks=callbacks
)

class EarlyStopping:

当一个被监控的指标停止提升的时候停止训练

monitor：需要监控的指标或者损失
min_delta：最小误差，只有两个epoch的评估值达到这个误差才会认为是一次变化，如果两次的误差小于min_delta则认为两次训练没有任何变化
patience：连续没有改进的epoch数，如果连续patience个epoch还没有改进，则停止训练
verbose：详细模式，用户打印控制台日志
mode：有三种模式，分别是min，max，auto，如果是min那么会判断如果监控的损失不在下降停止训练，如果是max，那么则发现监控的指标不在上升停止训练，如果是auto则会根据传进来的监控指标进行推断
baseline：监控指标的基线值，如果模型在基线上没有显示出改进，则训练将停止
restore_best_weights：是否从具有监控指标最佳值的epoch恢复模型权重

callbacks = tf.keras.callbacks.EarlyStopping(
    monitor='val_loss',
    min_delta=1e-3,
    patience=2,
    verbose=0,
    mode='min',
    baseline=None,
    restore_best_weights=False
)

model.fit(
    train_data,
    labels,
    epochs=5,
    batch_size=32,
    validation_split=0.2,
    callbacks=callbacks
)

class History:

将训练事件记录到history对象中，此回调会自动应用于每个 Keras 模型，history 对象由模型的 fit 方法返回。

模型训练后返回的history对象会包含训练时期每个epoch的精度或者损失值以及验证集的评估指标

class LearningRateScheduler:

学习率时间表

schedule：一个函数，它以epoch为索引（整数，从 0 开始索引）和当前学习率（浮点数）作为输入，并返回一个新的学习率作为输出（浮点数）。
verbose：是否打印学习更新情况

def scheduler(epoch, lr):
    if epoch < 10:
        return lr
    else:
        return lr * tf.math.exp(-0.1)


callbacks = tf.keras.callbacks.LearningRateScheduler(scheduler=scheduler,
                                                     verbose=1)

model.fit(
    train_data,
    labels,
    epochs=5,
    batch_size=32,
    validation_split=0.2,
    callbacks=callbacks
)

class ModelCheckpoint:

以某个频率保存 Keras 模型或模型权重的回调

filename：保存模型或者权重的路径
monitor：需要监测的损失或者评估指标
verbose：控制台输出状态
save_best_only：是否保存最好的模型
save_weights_only：是否只保存权重，否则是保存整个模型
mode：监控模式，min，max，auto，是按照监控的评估指标来定，如果是损失选择min，如果是准确率这种选择max，如果是auto会根据传入的monitor自动推断
save_freq：两种选择，分别是epoch和integer，如果是epoch是每个epoch保存一次，如果是填写一个整数，代表每训练多少个批次保存一次
options：其它配置，用于保存模型或者参数

callbacks = tf.keras.callbacks.ModelCheckpoint(
    filename='./save_model',
    monitor='val_loss',
    verbose=1,
    save_best_only=False,
    save_weights_only=False,
    mode='auto',
    save_freq='epoch',
    options=None
)

model.fit(
    train_data,
    labels,
    epochs=5,
    batch_size=32,
    validation_split=0.2,
    callbacks=callbacks
)

class ProgbarLogger:

打印精度到标准输出