keras回調函數如何使用

這篇文章主要介紹了keras回調函數如何使用的相關知識，內容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇keras回調函數如何使用文章都會有所收獲，下面我們一起來看看吧。

回調函數

• 回調函數是一個對象（實現了特定方法的類實例），它在調用fit()時被傳入模型，并在訓練過程中的不同時間點被模型調用

• 可以訪問關于模型狀態與模型性能的所有可用數據

• 模型檢查點（model checkpointing）：在訓練過程中的不同時間點保存模型的當前狀態。

• 提前終止（early stopping）：如果驗證損失不再改善，則中斷訓練（當然，同時保存在訓練過程中的最佳模型）。

• 在訓練過程中動態調節某些參數值：比如調節優化器的學習率。

• 在訓練過程中記錄訓練指標和驗證指標，或者將模型學到的表示可視化（這些表示在不斷更新）：fit()進度條實際上就是一個回調函數。

fit()方法中使用callbacks參數

# 這里有兩個callback函數：早停和模型檢查點
callbacks_list=[
    keras.callbacks.EarlyStopping(
        monitor="val_accuracy",#監控指標
        patience=2 #兩輪內不再改善中斷訓練
    ),
    keras.callbacks.ModelCheckpoint(
        filepath="checkpoint_path",
        monitor="val_loss",
        save_best_only=True
    )
]
#模型獲取
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, #該參數使用回調函數
         validation_data=(val_images,val_labels))

test_metrics=model.evaluate(test_images,test_labels)#計算模型在新數據上的損失和指標
predictions=model.predict(test_images)#計算模型在新數據上的分類概率

模型的保存和加載

#也可以在訓練完成后手動保存模型，只需調用model.save('my_checkpoint_path')。
#重新加載模型
model_new=keras.models.load_model("checkpoint_path.keras")

通過對Callback類子類化來創建自定義回調函數

on_epoch_begin(epoch, logs) ←----在每輪開始時被調用
on_epoch_end(epoch, logs) ←----在每輪結束時被調用
on_batch_begin(batch, logs) ←----在處理每個批量之前被調用
on_batch_end(batch, logs) ←----在處理每個批量之后被調用
on_train_begin(logs) ←----在訓練開始時被調用
on_train_end(logs ←----在訓練結束時被調用

from matplotlib import pyplot as plt
# 實現記錄每一輪中每個batch訓練后的損失，并為每個epoch繪制一個圖
class LossHistory(keras.callbacks.Callback):
    def on_train_begin(self, logs):
        self.per_batch_losses = []

    def on_batch_end(self, batch, logs):
        self.per_batch_losses.append(logs.get("loss"))

    def on_epoch_end(self, epoch, logs):
        plt.clf()
        plt.plot(range(len(self.per_batch_losses)), self.per_batch_losses,
                 label="Training loss for each batch")
        plt.xlabel(f"Batch (epoch {epoch})")
        plt.ylabel("Loss")
        plt.legend()
        plt.savefig(f"plot_at_epoch_{epoch}")
        self.per_batch_losses = [] #清空，方便下一輪的技術

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】模型的定義 和 數據加載

def get_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)
    return model
    
#datset
from tensorflow.keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels)=mnist.load_data()
train_images=train_images.reshape((60000,28*28)).astype("float32")/255
test_images=test_images.reshape((10000,28*28)).astype("float32")/255
train_images,val_images=train_images[10000:],train_images[:10000]
train_labels,val_labels=train_labels[10000:],train_labels[:10000]

關于“keras回調函數如何使用”這篇文章的內容就介紹到這里，感謝各位的閱讀！相信大家對“keras回調函數如何使用”知識都有一定的了解，大家如果還想學習更多知識，歡迎關注億速云行業資訊頻道。