TensorFlow的中階API主要包括:

數據管道(tf.data)

特征列(tf.feature_column)

激活函數(tf.nn)

模型層(tf.keras.layers)

損失函數(tf.keras.losses)

評估指標(tf.keras.metrics)

優化器(tf.keras.optimizers)

回調函數(tf.keras.callbacks)

如果把模型比作一個房子，那么中階API就是【模型之墻】。

本篇我們介紹回調函數。

一，回調函數概述

tf.keras的回調函數實際上是一個類，一般是在model.fit時作為參數指定，用于控制在訓練過程開始或者在訓練過程結束，在每個epoch訓練開始或者訓練結束，在每個batch訓練開始或者訓練結束時執行一些操作，例如收集一些日志信息，改變學習率等超參數，提前終止訓練過程等等。

同樣地，針對model.evaluate或者model.predict也可以指定callbacks參數，用于控制在評估或預測開始或者結束時，在每個batch開始或者結束時執行一些操作，但這種用法相對少見。

大部分時候，keras.callbacks子模塊中定義的回調函數類已經足夠使用了，如果有特定的需要，我們也可以通過對keras.callbacks.Callbacks實施子類化構造自定義的回調函數。

所有回調函數都繼承至 keras.callbacks.Callbacks基類，擁有params和model這兩個屬性。

其中params 是一個dict，記錄了 training parameters (eg. verbosity, batch size, number of epochs...).

model即當前關聯的模型的引用。

此外，對于回調類中的一些方法如on_epoch_begin,on_batch_end，還會有一個輸入參數logs, 提供有關當前epoch或者batch的一些信息，并能夠記錄計算結果，如果model.fit指定了多個回調函數類，這些logs變量將在這些回調函數類的同名函數間依順序傳遞。

二，內置回調函數

BaseLogger：收集每個epoch上metrics在各個batch上的平均值，對stateful_metrics參數中的帶中間狀態的指標直接拿最終值無需對各個batch平均，指標均值結果將添加到logs變量中。該回調函數被所有模型默認添加，且是第一個被添加的。

History：將BaseLogger計算的各個epoch的metrics結果記錄到history這個dict變量中，并作為model.fit的返回值。該回調函數被所有模型默認添加，在BaseLogger之后被添加。

EarlyStopping：當被監控指標在設定的若干個epoch后沒有提升，則提前終止訓練。

TensorBoard：為Tensorboard可視化保存日志信息。支持評估指標，計算圖，模型參數等的可視化。

ModelCheckpoint：在每個epoch后保存模型。

ReduceLROnPlateau：如果監控指標在設定的若干個epoch后沒有提升，則以一定的因子減少學習率。

TerminateOnNaN：如果遇到loss為NaN，提前終止訓練。

LearningRateScheduler：學習率控制器。給定學習率lr和epoch的函數關系，根據該函數關系在每個epoch前調整學習率。

CSVLogger：將每個epoch后的logs結果記錄到CSV文件中。

ProgbarLogger：將每個epoch后的logs結果打印到標準輸出流中。

三，自定義回調函數

可以使用callbacks.LambdaCallback編寫較為簡單的回調函數，也可以通過對callbacks.Callback子類化編寫更加復雜的回調函數邏輯。

如果需要深入學習tf.Keras中的回調函數，不要猶豫閱讀內置回調函數的源代碼。

猜你喜歡??：

公眾號后臺回復關鍵字：tensorflow，獲取本書github項目源碼和對應數據集！

總結

以上是生活随笔為你收集整理的python callback函数_回调函数callbacks的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。