Tensorflow 2.* 网络训练(三) keras.callbacks 回调函数

最新推荐文章于 2026-06-24 16:45:41 发布

原创

最新推荐文章于 2026-06-24 16:45:41 发布 · 4.3k 阅读

回调函数在TensorFlow 2.x的模型训练中扮演重要角色，能够监控性能、中断训练、调整学习率等。本文详细介绍了BaseLogger、CSVLogger、EarlyStopping、LearningRateScheduler、ModelCheckpoint、ReduceLROnPlateau等内置回调，并提供自定义Callback的示例，同时提及了TensorBoard的使用和如何在model.fit中应用回调。

回调函数（callback）是在调用fit 时传入模型的一个对象（即实现特定方法的类实例），它在训练过程中的不同时间点都会被模型调用。它可以访问关于模型状态与性能的所有可用数据，还可以采取行动：中断训练、保存模型、加载一组不同的权重或改变模型的状态。
keras中也提供了丰富的回调API，我们可以根据需求自定义相关的对象。

文章目录

BaseLogger

顾名思义，基础日志，用于记录每个epoch的平均metrics.
该回调函数在每个模型中都会被自动调用

CSVLogger

记录每个epoch的结果到csv文件中

csvlogger = tf.keras.callbacks.CSVLogger(filename, separator=',', append=False)

参数	注解
fiename	保存的csv文件名，如run/log.csv
separator	字符串，csv分隔符
append	默认为False，为True时csv文件如果存在则继续写入，为False时总是覆盖csv文件

结果如下：包括训练集和验证集合的loss，以及学习率
在这里插入图片描述

EarlyStopping

当metric停止提升时，停止训练

earlystoppoing = tf.keras.callbacks.EarlyStopping(
				    monitor='val_loss', min_delta=0, patience=0, verbose=0, mode='auto',
				    baseline=None, restore_best_weights=False)

参数	注解
monitor	监视标准
min_delta	监控标准在训练过程中允许的最小改变量，即小于此值后便认为性能没有提升
patience	相比上一个epoch训练监控标准没有提升（小于min_delta），则经过patience个epoch后停止训练（还是很形象的patience 耐心）
verbose	信息展示模式
mode	‘auto’，‘min’，‘max’之一，与monitor对应。比如loss对应min，acc对应max；auto根据monitor的名称自动定义
baseline	监控标准的基准线，当训练过程相对基准没有提升则停止训练
restore_best_weights	布尔型，Ture，重载最好的监控量的epoch对应的weight，False，最后一步的权重

LearningRateScheduler

定义学习率日程表，即自定义不同epcoh的学习率

# 前十组为0.001 后面指数减少
def scheduler(epoch):
  if epoch < 10:
    return 0.001
  else:
    return 0.001 * tf.math.exp(0.1 * (10 - epoch))

learningreatescheduler = tf.keras.callbacks.LearningRateScheduler(scheduler)

ModelCheckpoint

按照定义以一定频率存储模型或者权值文件

modelcheckpoint=tf.keras.callbacks.ModelCheckpoint(
		    filepath, monitor='val_loss', verbose=0, save_best_only=False

标签

#tensorflow #深度学习 #python

最低0.47元/天解锁文章