---
template: overrides/blogs.html
tags:
- deep learning
- tensorflow
---
# Keras各种Callbacks介绍
!!! info
作者:[Vincent](https://github.com/Realvincentyuan),发布于2021-06-06,阅读时间:约6分钟,微信公众号文章链接:[:fontawesome-solid-link:](https://mp.weixin.qq.com/s?__biz=MzI4Mjk3NzgxOQ==&mid=2247484578&idx=1&sn=54593557289d011ac6aff472597a731b&chksm=eb90f7d6dce77ec0d896ff1149f89f4c6d9bab7753be123ef269aa781a3ae88012bfa90ce2e0&token=221998215&lang=zh_CN#rd)
## 1 前言
在tensorflow.keras中,callbacks能在`fit`、`evaluate`和`predict`过程中加入伴随着模型的生命周期运行,目前tensorflow.keras已经构建了许多种callbacks供用户使用,用于防止过拟合、可视化训练过程、纠错、保存模型checkpoints和生成TensorBoard等。通过这篇文章,我们来了解一下如何使用tensorflow.keras里的各种callbacks,以及如何自定义callbacks。
## 2 使用callbacks
使用callbacks的步骤很简单,先定义callbacks,然后在`model.fit`、`model.evaluate`和`model.predict`中把定义好的callbacks传到`callbacks`参数里即可。
以最常见的`ModelCheckpoint`为例,使用过程如下示例:
```python
...
model_checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(
filepath=filePath,
save_weights_only=True,
monitor='val_accuracy',
mode='max')
model.fit(x, y, callbacks=model_checkpoint_callback)
```
这样在模型训练时,就会将模型checkpoints存储在对应的位置供后续使用。除了ModelCheckpoint,在TensorFlow 2.0中,还有许多其他类型的callbacks供使用,让我们一探究竟。
### 2.1 EarlyStopping
这个callback能监控设定的评价指标,在训练过程中,评价指标不再上升时,训练将会提前结束,防止模型过拟合,其默认参数如下:
```python
tf.keras.callbacks.EarlyStopping(monitor='val_loss',
min_delta=0,
patience=0,
verbose=0,
mode='auto',
baseline=None,
restore_best_weights=False)
```
其中各个参数:
- monitor:callbacks监控的评价指标。
- min_delta:计作指标提升的最小度量。
- patience:当评价指标没有提升时,等待的epochs数量,超过此数没有提升后训练将停止。
- verbose:是否打印日志。
- mode:设定监控指标的模式,如监控指标是否下降、上升或者根据指标名字自动推断。
- baseline:监控指标的基准,当模型训练结果不及标准线,训练将停止。
- restore_best_weights:是否从训练效果最好的epoch恢复模型,如果设置成False,将从最后一个step的模型权重恢复模型。
### 2.2 LearningRateScheduler
这个callback能在模型训练过程中调整学习率,通常而言,随着训练次数的变多,适当地降低学习率有利于模型收敛在全局最优点,因此这个callback需要搭配一个学习率调度器使用,在每个epoch开始时,schedule函数会获取最新的学习率并用在当前的epoch中:
```python
tf.keras.callbacks.LearningRateScheduler(
schedule, verbose=0
)
# 调度函数在10个epoch前调用初始学习率,随后学习率呈指数下降
def scheduler(epoch, lr):
if epoch < 10:
return lr
else:
return lr * tf.math.exp(-0.1)
model = tf.keras.models.Sequential([tf.keras.layers.Dense(10)])
model.compile(tf.keras.optimizers.SGD(), loss='mse')
callback = tf.keras.callbacks.LearningRateScheduler(scheduler)
history = model.fit(np.arange(100).reshape(5, 20), np.zeros(5),
epochs=15, callbacks=[callback], verbose=0)
```
### 2.3 ReduceLROnPlateau
相比于LearningRateScheduler,ReduceLROnPlateau不是按照预先设定好的调度调整学习率,它会在评价指标停止提升时降低学习率。
```python
tf.keras.callbacks.ReduceLROnPlateau(
monitor='val_loss', factor=0.1, patience=10, verbose=0,
mode='auto', min_delta=0.0001, cooldown=0, min_lr=0, **kwargs
)
```
其中重要参数:
- factor:学习率降低的程度,new_lr = lr * factor。
- cooldown:重新监控评价指标前等待的epochs。
- min_lr:允许的学习率最小值。
### 2.4 TensorBoard
TensorBoard能很方便地展示模型架构、训练过程,这个callback能生成TensorBoard的日志,当训练结束后可以在TensorBoard里查看可视化结果。
```python
tf.keras.callbacks.TensorBoard(
log_dir='logs', histogram_freq=0, write_graph=True,
write_images=False, write_steps_per_second=False, update_freq='epoch',
profile_batch=2, embeddings_freq=0, embeddings_metadata=None, **kwargs
)
```
其中重要参数:
- log_dir:日志输出的路径。
- histogram_freq:计算激活函数和权重直方图的频率,如果设置为0,则不计算直方图。
- write_graph:是否在TensorBoard中可视化图像。
- update_freq:取值为`batch`或`epoch`或整数,将在指定的过程结束后将损失和评价指标写入TensorBoard。如果设置为整数,则意味着在设定数量的样本训练完后将损失和评价指标写入TensorBoard。
### 2.5 CSVLogger
顾名思义,这个callback能将训练过程写入CSV文件。
```python
tf.keras.callbacks.CSVLogger(
filename, separator=',', append=False
)
```
其中重要参数:
- append:是否接着现有文件继续写入日志。
### 2.6 TerminateOnNaN
在损失变为NaN时停止训练。
```python
tf.keras.callbacks.TerminateOnNaN()
```
### 2.7 自定义callback
除了上述callback外,还有一些callback可以查询[TensorFlow官网]('https://www.tensorflow.org/api_docs/python/tf/keras/callbacks' 'tf.keras.callbacks'),在使用多个callbacks时,可以使用列表将多个callbacks传入、或者使用[tf.keras.callbacks.CallbackList](https://www.tensorflow.org/api_docs/python/tf/keras/callbacks/CallbackList 'tf.keras.callbacks.CallbackList')。除此之外,也可以自定义callback,需要继承`keras.callbacks.Callback `,然后重写在不同训练阶段的方法。
```python
training_finished = False
class MyCallback(tf.keras.callbacks.Callback):
def on_train_end(self, logs=None):
global training_finished
training_finished = True
model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(1,))])
model.compile(loss='mean_squared_error')
model.fit(tf.constant([[1.0]]), tf.constant([[1.0]]),
callbacks=[MyCallback()])
assert training_finished == True
```
## 3 总结
本文总结了若干常用的tf.keras.callbacks,实际工作中,请按需使用,并且查看tf.keras.callbacks的官方文档确认参数取值。
希望这次的分享对你有帮助,欢迎在评论区留言讨论!