Early stopping conditioned on metric `val_loss` which is not available. Available metrics are: loss,

问题：

tensorflow:Early stopping conditioned on metric val_loss which is not available. Available metrics are: loss,accuracy

解决办法

：
增加验证集大小，即可看见训练过程中loss，accuracy，val_loss和val_accuracy。

提醒：

笔者train_generator、test_generator、val_generator都是通过TFRecord把文件夹中分配好的数据集读取并按文件夹分类的categorical labels；

model.compile(loss='categorical_crossentropy',optimizer='adam', metrics=['accuracy'])

使用early_stopping时，笔者设置如下：

early_stopping = EarlyStopping(monitor='val_loss',patience=3)

early_stopping用法：

使用在模型训练过程中，在model.compile过程中设置使用，是防止训练模型过拟合，在模型不能继续优化迭代过程时自动停止模型训练并保留最佳模型。
其中主要参数有：
monitor是监督的指标，可以设置‘loss’， ‘val_loss’， ‘accuracy’， ‘val_accuracy’（我在博客中也看见有人出现了binary_accuracy,我想这个应该是和自己设置的metrics指标有关，同时也提醒大家注意自己metrics是否选择正确，这个也和自己labels类型有关）。

patience是你能容忍监督指标几次不按照优化过程该表。比如：monitor设置val_loss，patience=3，表示如果连续3次val_loss不减小（也就是变大了），就停止迭代。

min_delta是表示变化的幅度，这个需要根据你本身模型的准确度来设置，例如：如果你模型准确度已经有85%，那么可能你也不在乎1%的变化；但是如果我准确率仅有60%的情况下，增加1%也是不错的。

mode: 就’auto’, ‘min’, ‘,max’，我没有选择这个。

min_delta和patience都和“避免模型停止在抖动过程中”有关系，所以调节的时候需要互相协调。通常情况下，min_delta降低，那么patience可以适当减少；min_delta增加，那么patience需要适当延长；反之亦然。

我最开始跟着别的博主把monitor设置成loss，傻傻的训练了无数次的模型，都是训练完后再用测试集评价才知道模型还是过拟合了，还不知道为什么，反复问自己明明我用了early_stopping为什么还会过拟合。等我换成‘val_loss’，并把上面出现的val数据集过小的问题解决了以后，就能在每一次迭代过程中看见loss，accuracy，val_loss和val_accuracy四个指标值。不用傻傻等到最后还是错误的结果啦~~
修改前跑出来的样子（这就是验证集比例设置小了导致训练过程中只能看到loss和accuracy.）：

修改后跑出来的样子（这样才能在训练过程中发现模型是否过拟合，要不要继续跑，early_stopping是否起作用了）：