tf.keras.callbacks.EarlyStopping()

作用

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。 这样，要监控的指标将是“loss”，模型将是“min”。 model.fit() 训练循环将在每个 epoch 结束时检查loss是否不再减少，考虑 min_delta 和patience。 一旦发现不再减少，model.stop_training 将被标记为 True 并且训练终止。

要监控的指标需要在日志字典中可用。 为此，请在 model.compile() 传递损失或指标

参数

tf.keras.callbacks.EarlyStopping(
    monitor='val_loss',                        # 要监控的指标
    min_delta=0,                               # 被监测指标的最小变化被认为是改进，即小于 min_delta 的绝对变化，将被视为没有改进。
    patience=0,                                # 没有改善的 epoch达到设定的数之后训练将停止。
    verbose=0,                                 # 详细模式，0 或 1。模式 0 是静默模式，模式 1 在回调执行操作时显示消息。
    mode='auto',                               # {"auto", "min", "max"} 之一。 在min模式下，当监测到的数量停止减少时，训练将停止； 
                                               # 在max模式下，当监控的数量停止增加时，它将停止； 
                                               # 在auto模式下，方向是根据监控量的名称自动推断的。
    baseline=None,                             # 监控数量的基线值。 如果模型没有显示出对基线的改进，则训练将停止。
    restore_best_weights=False                 # 是否从监测量的最佳值的epoch恢复模型权重。 
                                               # 如果为 False，则使用在训练的最后一步获得的模型权重。 
)

例子

model = tf.keras.models.Sequential([tf.keras.layers.Dense(10)])              # 设置模型层
model.compile(tf.keras.optimizers.SGD(), loss='mse')                         # 编译模型

early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)  # patience 值用来检查改进 epochs 的数量

history = model.fit(np.arange(100).reshape(5, 20), np.zeros(5),
                    epochs=10, batch_size=1, callbacks=[callback],
                    verbose=0)                                               # 训练模型

len(history.history['loss'])                                                 # 输出符合条件的epoch的个数

4

 主要参考：tf.keras.callbacks.EarlyStopping  |  TensorFlow Core v2.9.1 (google.cn)