基础回调类
Callback 类
keras.callbacks.Callback()
用于构建新的回调类的基类。
回调可以传递给 Keras 方法，例如 fit()、evaluate() 和 predict()，以便在模型训练、评估和推理生命周期的各个阶段进行挂钩。
要创建自定义回调，请子类化 keras.callbacks.Callback 并覆盖与感兴趣阶段关联的方法。
示例
>>> training_finished = False
>>> class MyCallback(Callback):
... def on_train_end(self, logs=None):
... global training_finished
... training_finished = True
>>> model = Sequential([
... layers.Dense(1, input_shape=(1,))])
>>> model.compile(loss='mean_squared_error')
>>> model.fit(np.array([[1.0]]), np.array([[1.0]]),
... callbacks=[MyCallback()])
>>> assert training_finished == True
如果您想在自定义训练循环中使用 Callback 对象
- 您应该将所有回调打包到单个
callbacks.CallbackList中，以便可以将它们一起调用。 - 您需要在循环中的适当位置手动调用所有
on_*方法。例如：
示例
callbacks = keras.callbacks.CallbackList([...])
callbacks.append(...)
callbacks.on_train_begin(...)
for epoch in range(EPOCHS):
callbacks.on_epoch_begin(epoch)
for i, data in dataset.enumerate():
callbacks.on_train_batch_begin(i)
batch_logs = model.train_step(data)
callbacks.on_train_batch_end(i, batch_logs)
epoch_logs = ...
callbacks.on_epoch_end(epoch, epoch_logs)
final_logs=...
callbacks.on_train_end(final_logs)
属性
- params：字典。训练参数（例如，详细程度、批次大小、轮次数量等）。
- model：
Model实例。正在训练的模型的引用。
回调方法作为参数获取的 logs 字典将包含与当前批次或轮次相关的数量的键（请参阅方法特定的文档字符串）。