Keras自定义回调函数完全指南

陶真蔷Scott

于 2025-05-30 09:04:32 发布

阅读量267

点赞数 4

本文链接：https://blog.youkuaiyun.com/gitblog_00895/article/details/148324062

版权

Keras自定义回调函数完全指南

keras keras-team/keras: 是一个基于 Python 的深度学习库，它没有使用数据库。适合用于深度学习任务的开发和实现，特别是对于需要使用 Python 深度学习库的场景。特点是深度学习库、Python、无数据库。项目地址: https://gitcode.com/gh_mirrors/ke/keras

引言

在Keras框架中，回调函数(Callback)是一种强大的工具，它允许我们在模型训练、评估或预测的不同阶段插入自定义逻辑。回调函数为我们提供了监控和控制模型训练过程的窗口，是Keras框架中非常重要的扩展机制。

回调函数基础

什么是回调函数

回调函数是继承自keras.callbacks.Callback基类的子类，通过重写特定的方法来实现自定义功能。这些方法会在训练、评估或预测的不同阶段被自动调用。

回调函数的使用场景

回调函数可以用于：

记录训练过程中的指标变化
定期保存模型权重
动态调整学习率
提前停止训练
可视化中间结果
实现自定义的日志记录

回调函数方法详解

Keras回调函数提供了多个钩子方法，覆盖了训练过程的各个阶段：

全局方法

on_train_begin/on_test_begin/on_predict_begin: 在训练/测试/预测开始时调用
on_train_end/on_test_end/on_predict_end: 在训练/测试/预测结束时调用

批次级别方法

on_train_batch_begin/on_test_batch_begin/on_predict_batch_begin: 在每个批次处理前调用
on_train_batch_end/on_test_batch_end/on_predict_batch_end: 在每个批次处理后调用

周期级别方法(仅训练)

on_epoch_begin: 在每个周期开始时调用
on_epoch_end: 在每个周期结束时调用

创建自定义回调函数

基本示例

下面是一个简单的回调函数示例，它会在各个阶段打印日志信息：

class CustomCallback(keras.callbacks.Callback):
    def on_train_begin(self, logs=None):
        print("训练开始")
        
    def on_epoch_begin(self, epoch, logs=None):
        print(f"周期 {epoch} 开始")
        
    def on_train_batch_end(self, batch, logs=None):
        print(f"批次 {batch} 完成，损失: {logs['loss']}")

使用日志字典

回调方法的logs参数包含了当前阶段的指标信息，如损失值和各种评估指标：

class MetricsLogger(keras.callbacks.Callback):
    def on_epoch_end(self, epoch, logs=None):
        print(f"周期 {epoch} 结果:")
        print(f"损失: {logs['loss']:.4f}")
        print(f"验证损失: {logs['val_loss']:.4f}")

高级回调函数应用

提前停止

实现一个在损失达到最小值时停止训练的回调：

class EarlyStoppingAtMinLoss(keras.callbacks.Callback):
    def __init__(self, patience=0):
        super().__init__()
        self.patience = patience
        self.best_weights = None
        
    def on_train_begin(self, logs=None):
        self.wait = 0
        self.best = np.Inf
        
    def on_epoch_end(self, epoch, logs=None):
        current_loss = logs.get('loss')
        if current_loss < self.best:
            self.best = current_loss
            self.wait = 0
            self.best_weights = self.model.get_weights()
        else:
            self.wait += 1
            if self.wait >= self.patience:
                self.model.stop_training = True
                self.model.set_weights(self.best_weights)

动态学习率调整

实现一个按计划调整学习率的回调：

class LearningRateScheduler(keras.callbacks.Callback):
    def __init__(self, schedule):
        super().__init__()
        self.schedule = schedule
        
    def on_epoch_begin(self, epoch, logs=None):
        lr = self.model.optimizer.learning_rate
        scheduled_lr = self.schedule(epoch, lr)
        self.model.optimizer.learning_rate = scheduled_lr
        print(f"当前学习率: {float(scheduled_lr)}")