Keras的回调函数

训练模型时，很多事情一开始无法预测。尤其是你不知道需要多少轮次才能得到最佳验证损失。通常简单的办法是：训练足够多的轮次，这时模型已经开始过拟合了，根据第一次运行来确定训练所需要的正确轮次，然后使用这个最佳轮数从头开始启动一个新的训练。当然，这种方法很浪费。更好的办法是使用回调函数。

ModelCheckpoing和EarlyStopping回调函数

如果监控的目标在设定轮数内不再改善，可以用EarlyStopping回调函数来中断训练。这个回调函数通常与ModelCheckpoint结合使用，后者可以在训练过程中持续的不断保存模型（你也可以选择只保存目前的最佳模型，即一轮结束后具有最佳性能的模型）

import keras 


# 通过fit的callbacks参数将回调函数传入模型中，这个参数接收一个回调函数列表，你可以传入任意个回调函数
callback_lists = [
    keras.callbacks.EarlyStopping(monitor = 'acc',  # 监控模型的验证精度
                                  patience = 1,),   # 如果精度在多于一轮的时间（即两轮）内不再改善，就中断训练
    
    # ModelCheckpoint用于在每轮过后保存当前权重
    keras.callbacks.ModelCheckpoint(filepath = 'my_model.h5', # 目标文件的保存路径
                                    
                                    # 这两个参数的意思是，如果val_loss没有改善，那么不需要覆盖模型文件，
                                    # 这就可以始终保存在训练过程中见到的最佳模型
                                    monitor = 'val_loss', save_best_only