Keras中的callbacks类中EarlyStopping和TensorBoard函数

Keras中callbacks类EarlyStopping和TensorBoard函数

结合官方文档和我个人使用情况，关于EarlyStopping和TensorBoard函数的介绍，官方文档链接如下：
keras中callback的官方文档

1.TensorBoard函数
模型训练实时可视化的函数。
以下是我的设置

TensorBoard_callback = keras.callbacks.TensorBoard(log_dir=/file_logdir,histogram_freq=1, write_graph=True, write_grads=False, write_images=True, update_freq=500)

在model.fit中设置callback

model.fit(self.trainX, self.trainy, batch_size=batch_size,
                            epochs=self.epochs, verbose=verbose,validation_split=0.1,
                            callbacks=[TensorBoard_callback])

在命令控制台中，输入

tensorboard --logdir=/full_logs_path

控制台会返回一个URL，复制到浏览器（我用的是Chrome）即可看到。

踩过的坑：我的版本是tensorflow2.1，通过anaconda下载，其附带的tensorboard版本是2.2,在命令台输入时，在’logdir’后’='前，多输入了一个空格，导致其加载失败T_T。

可视化界面中可以看到模型训练的损失和模型的大致格式。

2.EarlyStopping函数
以下是我的设置

EarlyStopping_callback = callbacks.EarlyStopping(monitor='val_loss',min_delta=0.05,patience=50,verbose=0,restore_best_weights=True)

其中，monitor表示监视的训练情况，min_delta表示是最小变化量，patience表示容忍的时间，restore_best_weights=True表示返回记录中表现最好的训练结果，false表示返回训练末的训练结果。
verbose：有三个参数值，0表示不在标准输出流输出日志信息，1表示输出精度条记录，2表示为每个epoch输出一行记录。
另外，还有一项关键参数为model，有min，max，和auto三种，默认为auto，分别表示减少，增加和自动。
本文以我设置的参数为例，说明他们的作用：
设置的监督条件为’val_loss’，验证集的损失函数，min_delta=0.05和patience=50，表示在50轮中，如果min_delta下降的幅度不超过0.05，认为模型已经出现了过拟合的现象，停止实验。这里使用的model是auto，自动识别为min。

综合以上两者，一起作用与model.fit，代码如下：

model.fit(self.trainX, self.trainy, batch_size=batch_size,
                            epochs=self.epochs, verbose=verbose,validation_split=0.1,
                            callbacks=[TensorBoard_callback,EarlyStopping_callback])

此外，callback中还有一些相关函数，可直接参考官方文档使用。
keras中callback的官方文档