提前停止

`EarlyStopping` 类

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减少，并考虑 min_delta 和 patience（如果适用）。一旦发现不再减少，model.stop_training 将标记为 True，训练终止。

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

参数

monitor：要监控的数量。默认为 "val_loss"。
min_delta：要视为改进的监控数量的最小变化，即小于 min_delta 的绝对变化将计为无改进。默认为 0。
patience：没有改进后将停止训练的 epoch 数量。默认为 0。
verbose：详细程度模式，0 或 1。模式 0 静默，模式 1 在回调采取行动时显示消息。默认为 0。
mode：{"auto", "min", "max"} 之一。在 min 模式下，当监控数量停止减少时，训练将停止；在 "max" 模式下，当监控数量停止增加时，训练将停止；在 "auto" 模式下，方向将从监控数量的名称自动推断。默认为 "auto"。
baseline：监控数量的基线值。如果非 None，则如果模型没有显示出比基线更好的改进，训练将停止。默认为 None。
restore_best_weights：是否从监控数量最佳值的 epoch 恢复模型权重。如果 False，则使用训练最后一步获得的模型权重。无论相对于 baseline 的性能如何，都会恢复一个 epoch。如果没有 epoch 比 baseline 好，训练将运行 patience 个 epoch 并从该集中最佳 epoch 恢复权重。默认为 False。
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，在此期间不期望有改进，因此训练不会停止。默认为 0。

示例

>>> callback = 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 = keras.models.Sequential([keras.layers.Dense(10)])
>>> model.compile(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

提前停止

EarlyStopping 类

提前停止

EarlyStopping 类

`EarlyStopping` 类