keras中的callbacks详解之EarlyStopping

keras中的callbacks整体学习见：
keras中的callbacks详解

1. 认识Early Stop

early stop是训练模型的过程中，避免过拟合，节省训练时间的一种非常场用的方法。

在模型训练的过程中，当模型在训练集上表现很好，在验证集上表现很差的时候，此时就认为模型出现了过拟合（overfitting）的情况。

在这种情况下，early stop有助于保存最优模型，避免过拟合，并能给节省不必要的（过拟合）训练时间。

2. keras中的EarlyStopping

官方api：https://keras.io/api/callbacks/early_stopping/

上图是官方给的使用方法说明，部分参数释义如下：

• monitor: 监控指标，如val_loss
• min_delta: 认为监控指标有提升的最小提升值。如果变化值小于该值，则认为监控指标没有提升。
• patience: 在监控指标没有提升的情况下，epochs 等待轮数。等待大于该值监控指标始终没有提升，则提前停止训练。
• verbose: log输出方式
• mode: 三选一 {“auto”, “min”, “max”}，默认auto。min 模式是在监控指标值不再下降时停止训练；max 模式是指在监控指标值不再上升时停止训练；max 模式是指根据 monitor来自动选择。
• baseline: 监控指标需要到达的baseline值。如果监控指标没有到达该值，则提前停止。
• restore_best_weights: 是否加载训练过程中保存的最优模型权重，如果为False，则使用在训练的最后一步获得的模型权重。

3. EarlyStopping的实现方法

3.1 __init__()

__init__()方法定义一些必要参数，部分参数在上一节中介绍过的参数这里就不做赘述了

    def __init__(self,
                 monitor='val_loss',
                 min_delta=0,
                 patience=0,
                 verbose=0,
                 mode='auto',
                 baseline=None,
                 restore_best_weights=False):
        super(EarlyStopping, self).__init__()
		
        self.monitor = monitor  # 监控指标，acc / loss / val_loss
        self.baseline &#