当我应用有状态LSTM并重置状态时，是否有任何方法可以使用EarlyStopping Keras功能？

我使用的是一个有状态的LSTM回归模型，我想应用Earlystoping函数。在有状态LSTM中，当我读取时，状态应该在每个历元重置。然而，我注意到，当我重置状态时，EarlyStoping方法根本不起作用。我也附上代码

模型=顺序（）
添加（LSTM（256，批处理输入形状=（批处理大小、时间步长、特征），返回序列=False，有状态=True））
模型添加（辍学率=0.2））
model.add（密集型（1，激活='sigmoid'））
compile（loss='mean\u squared\u error'，optimizer='adam'）
mc=ModelCheckpoint（'best_model.h5'，monitor='val_loss'，mode='min'，verbose=0，save_best_only=True）
es=早期停止（监视器='val\u loss'，模式='min'，耐心=1，恢复最佳权重=真，详细度=1）
对于范围内的历元（历元）：
打印（“历元：，历元+1）
hist=model.fit（序列x，序列y，历代数=1，批量大小，随机数=False，
验证数据=（验证x，验证y），详细=2，回调=[mc，es]）
model.reset_states（）

如果我在没有for循环和状态重置的情况下运行上述代码，那么earlystoping可以正常工作。有没有办法在for循环中应用earlystoping

---

提前感谢

在

model.fit（）函数中，当
epoch的数量=1时，似乎无法应用EarlyStoping。据我所知，发生这种情况是因为
earlystoping
每次应用一个历元，并且仅当
model.fit（）
中的历元数大于1时才能工作

我使用下面的代码保存了最佳模型，并在经过一段时间后停止了培训过程

# Number of epochs to wait before halting the training process
patience = 50

# Store the metrics of each epoch to a pandas dataframe
history = pd.DataFrame()

# Define a high loss value (this may change based on the classification problem that you have)
min_loss = 2.00

# Define a minimum accuracy value
min_acc = 0.25

# Initialize the wait variable        
wait = 0

for epoch in range(epochs):
    print("Epoch: ", epoch + 1)

    hist = model.fit(train_x, train_y, epochs=1, batch_size, shuffle=False,
                     validation_data=(validation_x, validation_y), verbose=2)
    model.reset_states()

    if epoch >= 0:
         if np.isnan(hist.history['val_loss'][0]):
                    break
                else:
                    if round(hist.history['val_loss'][0], 4) < min_loss:
                        min_loss = round(hist.history['val_loss'][0], 4)
                        min_acc = hist.history['val_accuracy'][0]
                        model.save('best_model')
                        history.loc[epoch, 'epoch'] = epoch + 1
                        history.loc[epoch, 'loss'] = hist.history['loss'][0]
                        history.loc[epoch, 'val_loss'] = hist.history['val_loss'][0]
                        history.loc[epoch, 'accuracy'] = hist.history['accuracy'][0]
                        history.loc[epoch, 'val_accuracy'] = hist.history['val_accuracy'][0]
                        wait = 0
                    else:
                        wait += 1
                        print('*' * 50)
                        print(f"Patience: {wait}/ {patience}", "-", "Current best val_accuracy:",
                              '{0:.5}'.format(min_acc),
                              "with loss:", '{0:.5}'.format(min_loss), f"at epoch {epoch - wait}")
                        print('*' * 50)

                        if wait < patience:
                            history.loc[epoch, 'epoch'] = epoch + 1
                            history.loc[epoch, 'loss'] = hist.history['loss'][0]
                            history.loc[epoch, 'val_loss'] = hist.history['val_loss'][0]
                            history.loc[epoch, 'accuracy'] = hist.history['accuracy'][0]
                            history.loc[epoch, 'val_accuracy'] = hist.history['val_accuracy'][0]

                        else:
                            break

history.to_csv('history.csv', header=True, index=False)

#停止培训过程之前要等待的时间数
耐心=50
#将每个历元的度量存储到数据帧中
history=pd.DataFrame（）
#定义高损失值（这可能会根据您的分类问题而改变）
最小损耗=2.00
#定义最小精度值
最小加速度=0.25
#初始化wait变量
等待=0
对于范围内的历元（历元）：
打印（“历元：，历元+1）
hist=model.fit（序列x，序列y，历代数=1，批量大小，随机数=False，
验证数据=（验证x，验证y），详细数据=2）
model.reset_states（）
如果历元>=0：
如果np.isnan（历史记录['val_loss'][0]）：
打破
其他：
如果四舍五入（历史记录['val_loss'][0]，4）