Keras深度学习：入门、实战与进阶
上QQ阅读APP看书，第一时间看更新
上一章目录下一章

3.4.1　回调函数介绍

Keras通过回调函数API提供Checkpoint功能。回调函数是一组在训练的特定阶段被调用的函数集，可以使用回调函数来观察训练过程中网络内部的状态和统计信息。通过传递回调函数列表到模型的fit()函数中，即可在给定的训练阶段调用该函数集中的函数。比如在3.3.3节出现的callback_tensorboard()函数就是一个回调函数，其将日志信息写入TensorBoard，使得可以动态地观察训练和测试指标的图像。

我们之前的训练过程是先训练一遍，然后得到一个验证集的识别率变化趋势，从而知道最佳的训练周期，然后根据得到的最佳训练周期再训练一遍，得到最终结果。这样很浪费时间。一个好方法就是在测试识别率不再上升的时候就终止训练，Keras中的回调函数可以帮助我们做到这一点。回调函数属于obj类型，它可以让模型去拟合，也常在各个点被调用。它存储模型的状态，能够打断训练，保存模型，加载不同的权重，或者替代模型状态。

回调函数可以实现如下功能。

  • 模型断点续训：保存当前模型的所有权重。
  • 提早结束：当模型的损失不再下降的时候就终止训练，当然，回调函数会保存最优的模型。
  • 动态调整训练时的参数，比如优化的学习速度。

以下是Keras内置的回调函数。

  • callback_progbar_logger()：将metrics指定的监视输出到标准输出上。
  • callback_model_checkpoint()：在每个训练期之后保存模型。
  • callback_early_stopping()：当监测值不再改善时，终止训练。
  • callback_remote_monitor()：用于向服务器发送事件流。
  • callback_learning_rate_scheduler()：学习率调度器。
  • callback_tensorboard()：TensorBoard可视化。
  • callback_reduce_lr_on_plateau()：当指标停止改善时，降低学习率。
  • callback_csv_logger()：把训练周期的训练结果保存到csv文件。
  • callback_lambda()：在训练过程中创建简单、自定义的回调函数。
  • KerasCallback：创建基础R6类的Keras回调函数。

接下来，让我们先学习常用回调函数的基本用法。

1. callback_progbar_logger()函数

将metrics指定的监视输出到标准输出上的回调函数，其基本形式为：

callback_progbar_logger(count_mode = "samples",
    stateful_metrics = NULL)

各参数描述如下。

  • count_mode：steps或者samples，表示进度条是否应该对样本或步骤（批量）计数。
  • stateful_metrics：不应在训练周期求平均值的度量名称列表。此列表中的度量标准将按原样记录在on_epoch_end中。列表外的其他指标将在on_epoch_end中取平均值。

2. callback_model_checkpoint()函数

在每个训练期之后保存模型的回调函数，其基本形式为：

callback_model_checkpoint(filepath, monitor = "val_loss", verbose = 0,
    save_best_only = FALSE, save_weights_only = FALSE, mode = c("auto",
    "min", "max"), period = 1)

各参数描述如下。

  • filepath：字符串，保存模型的路径。filepath可以包含命名格式选项，由epoch的值和logs的键（由on_epoch_end参数传递）来填充。
  • monitor：被监测的数据。
  • verbose：信息展示模式，0或者1。
  • save_best_only：如果为TRUE，代表我们只保存最优的训练结果。
  • save_weights_only：如果为TRUE，那么只有模型的权重会被保存（save_model_weights_hdf5(filepath)），否则，整个模型会被保存（save_model_hdf5(filepath)）。
  • mode：有auto、min、max三种模式，在save_best_only=TRUE时决定性能最佳模型的评判准则。例如，当监测值为val_acc时，模式应为max；当检测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断。
  • period：每个检测点之间的间隔（训练轮数）。

3. callback_early_stopping()函数

当监测值不再改善时，终止训练的回调函数，其基本形式为：

callback_early_stopping(monitor = "val_loss", min_delta = 0,
    patience = 0, verbose = 0, mode = c("auto", "min", "max"),
    baseline = NULL, restore_best_weights = FALSE)

各参数描述如下。

  • monitor：被监测的数据。
  • min_delta：在被监测的数据中被认为是提升的最小变化，例如，小于min_delta的绝对变化会被认为没有提升。
  • patience：没有进步的训练轮数，在这之后的训练会被停止。
  • verbose：详细信息模式。
  • mode：有auto、min、max三种模式。在min模式下，如果监测值停止下降，终止训练；在max模式下，当监测值不再上升时停止训练；在auto模式中，方向会自动从被监测的数据的名字中判断出来。
  • baseline：要监控的数量的基准值。如果模型没有显示基准的改善，训练将停止。
  • restore_best_weights：是否从具有监测数量的最佳值的时期恢复模型权重。如果为FALSE，则使用在训练的最后一步获得的模型权重。

4. callback_learning_rate_scheduler()函数

学习率调度器的回调函数，其基本形式为：

callback_learning_rate_scheduler(schedule)

其中，参数schedule是一个函数，接收轮数作为输入（整数），然后返回一个学习速率作为输出（浮点数）。

5. callback_reduce_lr_on_plateau()函数

当指标停止改善时，降低学习率的回调函数，其基本形式为：

callback_reduce_lr_on_plateau(monitor = "val_loss", factor = 0.1,
    patience = 10, verbose = 0, mode = c("auto", "min", "max"),
    min_delta = 1e-04, cooldown = 0, min_lr = 0)

当学习停滞时，减少2倍或10倍的学习率常常能获得较好的效果。该回调函数检测指标的情况，如果在指定训练轮数（默认为10个）中看不到模型性能提升，则减少学习率。

各参数描述如下。

  • monitor：被监测的数据。
  • factor：每次减少学习率的因子，学习率将以lr = lr*factor的形式被减少。
  • patience：没有进步的训练轮数，在这之后的训练速率会降低。
  • mode：有auto、min、max三种模式。在min模式下，如果监测值停止下降，触发学习率减少；在max模式下，当监测值不再上升时触发学习率减少。
  • min_delta：对于测量新的最优化的阈值，只关注巨大的改变。
  • cooldown：在学习速率被降低之后，重新恢复正常操作之前等待的训练轮数。
  • min_lr：学习速率的下边界。

6. callback_lambda()函数

在训练过程中创建简单、自定义的回调函数，其基本形式为：

callback_lambda(on_epoch_begin = NULL, on_epoch_end = NULL,
    on_batch_begin = NULL, on_batch_end = NULL,
    on_train_batch_begin = NULL, on_train_batch_end = NULL,
    on_train_begin = NULL, on_train_end = NULL,
    on_predict_batch_begin = NULL, on_predict_batch_end = NULL,
    on_predict_begin = NULL, on_predict_end = NULL,
    on_test_batch_begin = NULL, on_test_batch_end = NULL,
    on_test_begin = NULL, on_test_end = NULL)

该回调函数将会在适当的时候调用，注意，这里假定了一些位置参数：

  • on_epoch_begin和on_epoch_end假定输入的参数是epoch和logs。
  • on_batch_begin和on_batch_end假定输入的参数是batch和logs。
  • on_train_begin和on_train_end假定输入的参数是logs。

主要参数描述如下。

  • on_epoch_begin：在每个epoch开始时调用。
  • on_epoch_end：在每个epoch结束时调用。
  • on_batch_begin：在每个batch开始时调用。
  • on_batch_end：在每个batch结束时调用。
  • on_train_begin：在训练开始时调用。
  • on_train_end：在训练结束时调用。
上一章目录下一章