Keras EarlyStopping-526互联

from keras.callbacks import EarlyStopping, ModelCheckpoint

es = EarlyStopping(monitor='val_loss', patience=2, restore_best_weights=True)

为了获得性能良好的神经网络，网络定型过程中需要进行许多关于所用设置（超参数）的决策。超参数之一是定型周期（epoch）的数量：亦即应当完整遍历数据集多少次（一次为一个epoch）？如果epoch数量太少，网络有可能发生欠拟合（即对于定型数据的学习不够充分）；如果epoch数量太多，则有可能发生过拟合（即网络对定型数据中的“噪声”而非信号拟合）。

早停法旨在解决epoch数量需要手动设置的问题。它也可以被视为一种能够避免网络发生过拟合的正则化方法（与L1/L2权重衰减和丢弃法类似）。

目的还是解决过拟合！

========================================================

使用该函数的目的是为了防止过拟合，因为在我们训练模型的过程中，很有可能出现过拟合的情况。这个时候训练集表现很好，但是验证集表现就会下降。这时候我们需要提前结束训练，得到“最佳”（只能判断是在全局范围内最佳）的结果。

EarlyStopping(monitor='val_loss', min_delta=0,
 patience=10, verbose=2, mode='auto', restore_best_weights=True)

对于参数的解释

monitor: 监控的变量，例如 val_acc,val_loss。如果要保存最高的精度,则应将检查点设置为monitor =’val_acc’,它将自动以最高的精度保存.最低的损耗不一定与最高的精度相对应
min_delta: monitor的最小变化，如果绝对值小于min_delta，则可以看作对于结果没有improvement，默认为0。
patience: 没有改善的epoch数。比如例子中为10次内都没有改变。
verbose：日志显示
    verbose = 0 为不在标准输出流输出日志信息
    verbose = 1 为输出进度条记录
    verbose = 2 为每个epoch输出一行记录

mode: auto, min, max三者之一. 在最小模式下，当监控量停止下降时，培训将停止; 在最大模式下，当监控量停止增加时，它将停止; 在自动模式下，从监控数量的名称自动推断方向。
restore_best_weights: 若为True，将会取整个训练过程中最佳监控值的epoch训练结果作为最终模型权值，否则将以最后一次epoch的结果作为最终模型权值。

优缺点

虽然早停法简单易懂，也很好操作，但是也存在很大的缺陷。比如当模型剧烈波动的时候可能会停的太早，以至于不能得到想要的“好结果”。另外由于原理过于简单，对于复杂的问题往往统一用一种方式进行评判，也不能很好的得到恰当的结论。
除了使用早停法防止过拟合，还有一种方法为正则化方法，详见深入理解L1、L2正则化
——
链接：https://blog.csdn.net/I_canjnu/article/details/106034367

========================================================

tf.keras.callbacks.EarlyStopping函数

类 `EarlyStopping`

继承自： Callback

定义在：tensorflow/python/keras/callbacks.py。

当监测数量停止改善时停止训练。

参数：

monitor：要监测的数量。
min_delta：在被监测的数据中被认为是提升的最小变化，即绝对变化小于min_delta，将被视为没有提升。
patience：没有进步的训练轮数，在这之后训练就会被停止。
verbose：详细信息模式。
mode：{"auto", "min", "max"}其中之一。在min模式中，当监测的数量停止减少时，训练将停止；在max模式下，当监测的数量停止增加时，它将停止；在auto模式下，从监测数量的名称自动推断方向。
baseline：受监测的数量的基线值。如果模型没有显示基线的改善，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。

========================================================

callback = tf.keras.callbacks.EarlyStopping(monitor='loss', patience=3)
# This callback will stop the training when there is no improvement in
# the loss for three consecutive epochs.
model = tf.keras.models.Sequential([tf.keras.layers.Dense(10)])
model.compile(tf.keras.optimizers.SGD(), loss='mse')
history = model.fit(np.arange(100).reshape(5, 20), np.zeros(5),
                    epochs=10, batch_size=1, callbacks=[callback],
                    verbose=0)
len(history.history['loss'])  # Only 4 epochs are run.