免费资源部落

这篇文章主要介绍了keras回调函数如何使用的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇keras回调函数如何使用文章都会有所收获，下面我们一起来看看吧。

回调函数

回调函数是一个对象（实现了特定方法的类实例），它在调用fit()时被传入模型，并在训练过程中的不同时间点被模型调用

可以访问关于模型状态与模型性能的所有可用数据

模型检查点（model checkpointing）：在训练过程中的不同时间点保存模型的当前状态。

提前终止（early stopping）：如果验证损失不再改善，则中断训练（当然，同时保存在训练过程中的最佳模型）。

在训练过程中动态调节某些参数值：比如调节优化器的学习率。

在训练过程中记录训练指标和验证指标，或者将模型学到的表示可视化（这些表示在不断更新）：fit()进度条实际上就是一个回调函数。

fit()方法中使用callbacks参数#这里有两个callback函数：早停和模型检查点callbacks_list=[keras.callbacks.EarlyStopping(monitor="val_accuracy",#监控指标patience=2#两轮内不再改善中断训练),keras.callbacks.ModelCheckpoint(filepath="checkpoint_path",monitor="val_loss",save_best_only=True)]#模型获取model=get_minist_model()model.compile(optimizer="rmsprop",loss="sparse_categorical_crossentropy",metrics=["accuracy"])model.fit(train_images,train_labels,epochs=10,callbacks=callbacks_list,#该参数使用回调函数validation_data=(val_images,val_labels))test_metrics=model.evaluate(test_images,test_labels)#计算模型在新数据上的损失和指标predictions=model.predict(test_images)#计算模型在新数据上的分类概率模型的保存和加载#也可以在训练完成后手动保存模型，只需调用model.save('my_checkpoint_path')。#重新加载模型model_new=keras.models.load_model("checkpoint_path.keras")通过对Callback类子类化来创建自定义回调函数

on_epoch_begin(epoch, logs) ←----在每轮开始时被调用on_epoch_end(epoch, logs) ←----在每轮结束时被调用on_batch_begin(batch, logs) ←----在处理每个批量之前被调用on_batch_end(batch, logs) ←----在处理每个批量之后被调用on_train_begin(logs) ←----在训练开始时被调用on_train_end(logs ←----在训练结束时被调用

frommatplotlibimportpyplotasplt#实现记录每一轮中每个batch训练后的损失，并为每个epoch绘制一个图classLossHistory(keras.callbacks.Callback):defon_train_begin(self,logs):self.per_batch_losses=[]defon_batch_end(self,batch,logs):self.per_batch_losses.append(logs.get("loss"))defon_epoch_end(self,epoch,logs):plt.clf()plt.plot(range(len(self.per_batch_losses)),self.per_batch_losses,label="Traininglossforeachbatch")plt.xlabel(f"Batch(epoch{epoch})")plt.ylabel("Loss")plt.legend()plt.savefig(f"plot_at_epoch_{epoch}")self.per_batch_losses=[]#清空，方便下一轮的技术model=get_mnist_model()model.compile(optimizer="rmsprop",loss="sparse_categorical_crossentropy",metrics=["accuracy"])model.fit(train_images,train_labels,epochs=10,callbacks=[LossHistory()],validation_data=(val_images,val_labels))【其他】模型的定义 和 数据加载defget_minist_model():inputs=keras.Input(shape=(28*28,))features=layers.Dense(512,activation="relu")(inputs)features=layers.Dropout(0.5)(features)outputs=layers.Dense(10,activation="softmax")(features)model=keras.Model(inputs,outputs)returnmodel#datsetfromtensorflow.keras.datasetsimportmnist(train_images,train_labels),(test_images,test_labels)=mnist.load_data()train_images=train_images.reshape((60000,28*28)).astype("float32")/255test_images=test_images.reshape((10000,28*28)).astype("float32")/255train_images,val_images=train_images[10000:],train_images[:10000]train_labels,val_labels=train_labels[10000:],train_labels[:10000]

关于“keras回调函数如何使用”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“keras回调函数如何使用”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注行业资讯频道。