EarlyStopping

`EarlyStopping` 类

tf_keras.callbacks.EarlyStopping(
    monitor="val_loss",
    min_delta=0,
    patience=0,
    verbose=0,
    mode="auto",
    baseline=None,
    restore_best_weights=False,
    start_from_epoch=0,
)

当监控的指标停止改进时，停止训练。

假设训练的目标是最小化损失。使用此回调，要监控的指标将是'loss'，模式将是'min'。model.fit()训练循环将在每个epoch结束时检查损失是否不再下降，并考虑min_delta和patience（如果适用）。一旦发现损失不再下降，model.stop_training将被标记为True，训练将终止。

要监控的数量需要在logs字典中可用。为了使其可用，请在model.compile()中传递损失或指标。

参数

monitor: 要监控的数量。
min_delta: 被视为改进的监控数量的最小变化，即小于min_delta的绝对变化将被视为无改进。
patience: 在停止训练之前，无改进的epoch数量。
verbose: 详细程度模式，0或1。模式0为静默模式，模式1在回调执行操作时显示消息。
mode: {"auto", "min", "max"}中的一个。在min模式下，当监控的数量停止下降时，训练将停止；在"max"模式下，当监控的数量停止增加时，训练将停止；在"auto"模式下，方向将根据监控数量的名称自动推断。
baseline: 监控数量的基线值。如果模型没有显示出相对于基线的改进，训练将停止。
restore_best_weights: 是否恢复监控数量的最佳值对应的epoch的模型权重。如果为False，则使用训练最后一步获得的模型权重。无论性能相对于baseline如何，都会恢复一个epoch。如果没有epoch相对于baseline有改进，训练将运行patience个epoch，并恢复该集合中最佳epoch的权重。
start_from_epoch: 在开始监控改进之前等待的epoch数量。这允许一个预热期，在此期间不期望有任何改进，因此不会停止训练。

示例

>>> callback = tf.keras.callbacks.EarlyStopping(monitor='loss', patience=3)
>>> # This callback will stop the training when there is no improvement in
>>> # the loss for three consecutive epochs.
>>> model = tf.keras.models.Sequential([tf.keras.layers.Dense(10)])
>>> model.compile(tf.keras.optimizers.SGD(), loss='mse')
>>> history = model.fit(np.arange(100).reshape(5, 20), np.zeros(5),
...                     epochs=10, batch_size=1, callbacks=[callback],
...                     verbose=0)
>>> len(history.history['loss'])  # Only 4 epochs are run.
4

EarlyStopping

EarlyStopping 类

EarlyStopping

EarlyStopping 类

`EarlyStopping` 类