整理自keras：https://keras-cn.readthedocs.io/en/latest/other/callbacks/

回調(diào)函數(shù)Callbacks

回調(diào)函數(shù)是一個(gè)函數(shù)的合集，會(huì)在訓(xùn)練的階段中所使用。你可以使用回調(diào)函數(shù)來查看訓(xùn)練模型的內(nèi)在狀態(tài)和統(tǒng)計(jì)。你可以傳遞一個(gè)列表的回調(diào)函數(shù)（作為 callbacks 關(guān)鍵字參數(shù)）到 Sequential 或 Model 類型的 .fit() 方法。在訓(xùn)練時(shí)，相應(yīng)的回調(diào)函數(shù)的方法就會(huì)被在各自的階段被調(diào)用。

Callback

keras.callbacks.Callback()

這是回調(diào)函數(shù)的抽象類，定義新的回調(diào)函數(shù)必須繼承自該類

類屬性

params：字典，訓(xùn)練參數(shù)集（如信息顯示方法verbosity，batch大小，epoch數(shù)）

model：keras.models.Model對象，為正在訓(xùn)練的模型的引用

回調(diào)函數(shù)以字典logs為參數(shù)，該字典包含了一系列與當(dāng)前batch或epoch相關(guān)的信息。

目前，模型的.fit()中有下列參數(shù)會(huì)被記錄到logs中：

在每個(gè)epoch的結(jié)尾處（on_epoch_end），logs將包含訓(xùn)練的正確率和誤差，acc和loss，如果指定了驗(yàn)證集，還會(huì)包含驗(yàn)證集正確率和誤差val_acc)和val_loss，val_acc還額外需要在.compile中啟用metrics=['accuracy']。

在每個(gè)batch的開始處（on_batch_begin）：logs包含size，即當(dāng)前batch的樣本數(shù)

在每個(gè)batch的結(jié)尾處（on_batch_end）：logs包含loss，若啟用accuracy則還包含acc

ModelCheckpoint

keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1)

該回調(diào)函數(shù)將在每個(gè)epoch后保存模型到filepath

filepath 可以包括命名格式選項(xiàng)，可以由 epoch 的值和 logs 的鍵（由 on_epoch_end 參數(shù)傳遞）來填充。

參數(shù)：

filepath: 字符串，保存模型的路徑。

monitor: 被監(jiān)測的數(shù)據(jù)。val_acc或這val_loss

verbose: 詳細(xì)信息模式，0 或者 1 。0為不打印輸出信息，1打印

save_best_only: 如果 save_best_only=True， 將只保存在驗(yàn)證集上性能最好的模型

mode: {auto, min, max} 的其中之一。 如果 save_best_only=True，那么是否覆蓋保存文件的決定就取決于被監(jiān)測數(shù)據(jù)的最大或者最小值。 對于 val_acc，模式就會(huì)是 max，而對于 val_loss，模式就需要是 min，等等。 在 auto 模式中，方向會(huì)自動(dòng)從被監(jiān)測的數(shù)據(jù)的名字中判斷出來。

save_weights_only: 如果 True，那么只有模型的權(quán)重會(huì)被保存 (model.save_weights(filepath))， 否則的話，整個(gè)模型會(huì)被保存 (model.save(filepath))。

period: 每個(gè)檢查點(diǎn)之間的間隔（訓(xùn)練輪數(shù)）。

代碼實(shí)現(xiàn)過程：

① 從keras.callbacks導(dǎo)入ModelCheckpoint類

from keras.callbacks import ModelCheckpoint

② 在訓(xùn)練階段的model.compile之后加入下列代碼實(shí)現(xiàn)每一次epoch（period=1）保存最好的參數(shù)

checkpoint = ModelCheckpoint(filepath,
monitor='val_loss', save_weights_only=True,verbose=1,save_best_only=True, period=1)

③ 在訓(xùn)練階段的model.fit之前加載先前保存的參數(shù)

if os.path.exists(filepath):
 model.load_weights(filepath)
 # 若成功加載前面保存的參數(shù)，輸出下列信息
 print("checkpoint_loaded")

④ 在model.fit添加callbacks=[checkpoint]實(shí)現(xiàn)回調(diào)

model.fit_generator(data_generator_wrap(lines[:num_train], batch_size, input_shape, anchors, num_classes),
 steps_per_epoch=max(1, num_train//batch_size),
 validation_data=data_generator_wrap(lines[num_train:], batch_size, input_shape, anchors, num_classes),
 validation_steps=max(1, num_val//batch_size),
 epochs=3,
 initial_epoch=0,
 callbacks=[checkpoint])

補(bǔ)充知識(shí)：keras之多輸入多輸出（多任務(wù)）模型

keras多輸入多輸出模型，以keras官網(wǎng)的demo為例，分析keras多輸入多輸出的適用。

主要輸入(main_input): 新聞標(biāo)題本身，即一系列詞語。

輔助輸入(aux_input): 接受額外的數(shù)據(jù)，例如新聞標(biāo)題的發(fā)布時(shí)間等。

該模型將通過兩個(gè)損失函數(shù)進(jìn)行監(jiān)督學(xué)習(xí)。

較早地在模型中使用主損失函數(shù)，是深度學(xué)習(xí)模型的一個(gè)良好正則方法。

完整過程圖示如下：

其中，紅圈中的操作為將輔助數(shù)據(jù)與LSTM層的輸出連接起來，輸入到模型中。

代碼實(shí)現(xiàn)：

import keras
from keras.layers import Input, Embedding, LSTM, Dense
from keras.models import Model
 
# 定義網(wǎng)絡(luò)模型 
# 標(biāo)題輸入：接收一個(gè)含有 100 個(gè)整數(shù)的序列，每個(gè)整數(shù)在 1 到 10000 之間
# 注意我們可以通過傳遞一個(gè) `name` 參數(shù)來命名任何層
main_input = Input(shape=(100,), dtype='int32', name='main_input')
 
# Embedding 層將輸入序列編碼為一個(gè)稠密向量的序列，每個(gè)向量維度為 512
x = Embedding(output_dim=512, input_dim=10000, input_length=100)(main_input)
 
# LSTM 層把向量序列轉(zhuǎn)換成單個(gè)向量，它包含整個(gè)序列的上下文信息
lstm_out = LSTM(32)(x)
 
# 在這里我們添加輔助損失，使得即使在模型主損失很高的情況下，LSTM層和Embedding層都能被平穩(wěn)地訓(xùn)練
auxiliary_output = Dense(1, activation='sigmoid', name='aux_output')(lstm_out)
 
# 此時(shí)，我們將輔助輸入數(shù)據(jù)與LSTM層的輸出連接起來,輸入到模型中
auxiliary_input = Input(shape=(5,), name='aux_input')
x = keras.layers.concatenate([lstm_out, auxiliary_output])
 
# 再添加剩余的層
# 堆疊多個(gè)全連接網(wǎng)絡(luò)層
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
x = Dense(64, activation='relu')(x)
 
# 最后添加主要的邏輯回歸層
main_output = Dense(1, activation='sigmoid', name='main_output')(x)
 
# 定義這個(gè)具有兩個(gè)輸入和輸出的模型
model = Model(inputs=[main_input, auxiliary_input], outputs=[main_output, auxiliary_output])
 
# 編譯模型時(shí)候分配損失函數(shù)權(quán)重：編譯模型的時(shí)候，給 輔助損失 分配一個(gè)0.2的權(quán)重
model.compile(optimizer='rmsprop', loss='binary_crossentropy', loss_weights=[1., 0.2])
 
# 訓(xùn)練模型：我們可以通過傳遞輸入數(shù)組和目標(biāo)數(shù)組的列表來訓(xùn)練模型
model.fit([headline_data, additional_data], [labels, labels], epochs=50, batch_size=32)
 
# 另外一種利用字典的編譯、訓(xùn)練方式
# 由于輸入和輸出均被命名了（在定義時(shí)傳遞了一個(gè) name 參數(shù)），我們也可以通過以下方式編譯模型
model.compile(optimizer='rmsprop',
    loss={'main_output': 'binary_crossentropy', 'aux_output': 'binary_crossentropy'},
    loss_weights={'main_output': 1., 'aux_output': 0.2})
# 然后使用以下方式訓(xùn)練：
model.fit({'main_input': headline_data, 'aux_input': additional_data},
   {'main_output': labels, 'aux_output': labels},
   epochs=50, batch_size=32)
 

相關(guān)參考：https://keras.io/zh/getting-started/functional-api-guide/

以上這篇keras 回調(diào)函數(shù)Callbacks 斷點(diǎn)ModelCheckpoint教程就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。