Tensorflow 回调（callbacks）函数的使用方法

在我们训练神经网络时，对于训练数据的迭代次数（epochs）的设置，是一个值得思考的问题。

通常，epochs 越大，最后训练的损失值会越小，但是迭代次数过大，会导致过拟合的现象。

我们往往希望当loss值，或准确率达到一定值后，就停止训练。但是我们不可能去人为的等待或者控制。

tensorfow 中的回调机制，就为我们很好的处理了这个问题。

tensorfow 中的回调机制，可以实现在每次迭代一轮后，自动调用制指定的函数（例如：on_epoch_end() 顾名思义）,可以方便我们来控制训练终止的时机。

---

例如，我们希望当损失值loss < 0.4时，停止训练。实现步骤如下：

（1）
首先，我们定义一个myCallback类，它继承了tensorflow中自带的一个Callback类

然后，我们重写该类的 on_epoch_end() 方法。
根据我们自己的需求实现，logs中有大量的训练信息，我们可以获得当前的损失值，准确率等信息。。。
这里，我们实现，当loss < 0.4时，停止训练

class myCallback(tf.keras.callbacks.Callback):
  def on_epoch_end(self, epoch, logs={}):
    if(logs.get('loss')<0.4):
      print("\nReached 60% accuracy so cancelling training!")
      self.model.stop_training = True

（2）
实例化一个 myCallback 对象 callbacks
在model.fit()函数中添加 callbacks 参数

...
callbacks = myCallback()
...
model.fit(training_images, training_labels, epochs=5, callbacks=[callbacks])

模型会在每次迭代完一轮后，调用相应的函数。

---

完整代码：

import tensorflow as tf
print(tf.__version__)

class myCallback(tf.keras.callbacks.Callback):
  def on_epoch_end(self, epoch, logs={}):
    if(logs.get('loss')<0.4):
      print("\nReached 60% accuracy so cancelling training!")
      self.model.stop_training = True

callbacks = myCallback()
mnist = tf.keras.datasets.fashion_mnist
(training_images, training_labels), (test_images, test_labels) = mnist.load_data()
training_images=training_images/255.0
test_images=test_images/255.0
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(512, activation=tf.nn.relu),
  tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
model.fit(training_images, training_labels, epochs=5, callbacks=[callbacks])