EarlyStopping

[来源]

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,
)

当监测的指标停止改进时，停止训练。

假设训练的目标是最小化损失。因此，要监测的指标将是 '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减少，同时考虑适用的 min_delta 和 patience。一旦发现不再减少，model.stop_training 将被标记为 True，训练终止。

要监测的量需要在 logs 字典中可用。为此，请在 model.compile() 时传递损失或指标。

参数

• monitor: 要监测的量。
• min_delta: 要监测量的最小变化量才算作改进，即绝对变化小于 min_delta 将视为没有改进。
• patience: 在没有改进的 epoch 数达到该值后，训练将停止。
• verbose: 详细模式，0 或 1。模式 0 为静默模式，模式 1 在回调采取行动时显示消息。
• mode: {"auto", "min", "max"} 之一。在 min 模式下，当监测的量停止减少时，训练将停止；在 "max" 模式下，当监测的量停止增加时，训练将停止；在 "auto" 模式下，方向将从监测量的名称中自动推断。
• baseline: 监测量的基线值。如果模型相对于基线没有显示出改进，训练将停止。
• restore_best_weights: 是否恢复监测量最佳值的 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，都将恢复 epoch。如果没有任何 epoch 比 baseline 更好，训练将运行 patience 个 epoch，并从该集合中最佳 epoch 恢复权重。
• start_from_epoch: 在开始监测改进之前等待的 epoch 数。这允许一个热身期，在此期间不期望有改进，因此训练不会停止。

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