Python 尽管加载了最佳权重，但提前停止不停止模型

我正在运行一个使用tf.keras的图像分类程序，并试图确定精度和val_精度的误差曲线。但是，当我添加一个提前停止回调时，模型不会停止训练，即使它超过了耐心阈值

我尝试过更改早期停止监视器的值，但我发现它正在监视正确的值，因为我在tensorflow.python.keras.callbacks.py文件中达到了这一点

其他：
self.wait+=1
如果self.wait>=self.patience：
self.stopped\u epoch=epoch
self.model.stop\u training=True
如果self.restore\u最佳权重：
如果self.verbose>0：
打印（'从最佳纪元结束时恢复模型权重'）
self.model.set_权重（self.best_权重）

我的输出显示了打印行，因此我清楚地点击了

self.model.stop\u training=True

行，但是我的模型继续。下面是一个模型在到达早期停止点时仍在运行的示例。您可以看到，在第9个纪元结束时，它“从最佳纪元结束时恢复模型权重”。然而，它在第10个纪元结束后继续运行

Epoch 1/10
 9/10 [==========================>...] - ETA: 1s - loss: 1.1147 - categorical_accuracy: 0.6058
Epoch 00001: val_categorical_accuracy improved from -inf to 0.25000, saving model to /home/chale/ml_classify/data/best.weights.hdf5
10/10 [==============================] - 29s 3s/step - loss: 1.0876 - categorical_accuracy: 0.6013 - val_loss: 60.9186 - val_categorical_accuracy: 0.2500
Epoch 2/10
 9/10 [==========================>...] - ETA: 0s - loss: 1.2638 - categorical_accuracy: 0.5694
Epoch 00002: val_categorical_accuracy did not improve from 0.25000
10/10 [==============================] - 7s 747ms/step - loss: 1.2278 - categorical_accuracy: 0.5750 - val_loss: 147.1493 - val_categorical_accuracy: 0.2396
Epoch 3/10
 9/10 [==========================>...] - ETA: 0s - loss: 0.5760 - categorical_accuracy: 0.8321
Epoch 00003: val_categorical_accuracy improved from 0.25000 to 0.26042, saving model to /home/chale/ml_classify/data/best.weights.hdf5
10/10 [==============================] - 10s 972ms/step - loss: 0.5569 - categorical_accuracy: 0.8288 - val_loss: 21.9862 - val_categorical_accuracy: 0.2604
Epoch 4/10
 9/10 [==========================>...] - ETA: 0s - loss: 0.4401 - categorical_accuracy: 0.8681
Epoch 00004: val_categorical_accuracy improved from 0.26042 to 0.30208, saving model to /home/chale/ml_classify/data/best.weights.hdf5
10/10 [==============================] - 9s 897ms/step - loss: 0.4383 - categorical_accuracy: 0.8687 - val_loss: 146.7307 - val_categorical_accuracy: 0.3021
Epoch 5/10
 9/10 [==========================>...] - ETA: 0s - loss: 0.4499 - categorical_accuracy: 0.8394
Epoch 00005: val_categorical_accuracy did not improve from 0.30208
10/10 [==============================] - 7s 714ms/step - loss: 0.4218 - categorical_accuracy: 0.8493 - val_loss: 71.2797 - val_categorical_accuracy: 0.1354
Epoch 6/10
 9/10 [==========================>...] - ETA: 0s - loss: 0.5760 - categorical_accuracy: 0.8194
Epoch 00006: val_categorical_accuracy improved from 0.30208 to 0.38542, saving model to /home/chale/ml_classify/data/best.weights.hdf5
10/10 [==============================] - 10s 974ms/step - loss: 0.5342 - categorical_accuracy: 0.8313 - val_loss: 13.7430 - val_categorical_accuracy: 0.3854
Epoch 7/10
 9/10 [==========================>...] - ETA: 0s - loss: 0.3852 - categorical_accuracy: 0.9000
Epoch 00007: val_categorical_accuracy did not improve from 0.38542
10/10 [==============================] - 6s 619ms/step - loss: 0.4190 - categorical_accuracy: 0.8973 - val_loss: 164.1882 - val_categorical_accuracy: 0.2708
Epoch 8/10
 9/10 [==========================>...] - ETA: 0s - loss: 0.3401 - categorical_accuracy: 0.8905
Epoch 00008: val_categorical_accuracy did not improve from 0.38542
10/10 [==============================] - 7s 723ms/step - loss: 0.3745 - categorical_accuracy: 0.8889 - val_loss: 315.0913 - val_categorical_accuracy: 0.2708
Epoch 9/10
 9/10 [==========================>...] - ETA: 0s - loss: 0.2713 - categorical_accuracy: 0.8958
Epoch 00009: val_categorical_accuracy did not improve from 0.38542
Restoring model weights from the end of the best epoch.
10/10 [==============================] - 9s 853ms/step - loss: 0.2550 - categorical_accuracy: 0.9062 - val_loss: 340.6383 - val_categorical_accuracy: 0.2708
Epoch 10/10
 9/10 [==========================>...] - ETA: 0s - loss: 0.4282 - categorical_accuracy: 0.8759
Epoch 00010: val_categorical_accuracy did not improve from 0.38542
Restoring model weights from the end of the best epoch.
10/10 [==============================] - 8s 795ms/step - loss: 0.4260 - categorical_accuracy: 0.8758 - val_loss: 4.5791 - val_categorical_accuracy: 0.2500
Epoch 00010: early stopping

以下是该问题的主要代码

如果损失==“分类的交叉熵”：
监视器='val\u分类精度'
其他：
监视器='val\u二进制\u精度'
提前停止=提前停止（监视器=监视器，耐心=3，详细=1，恢复最佳权重=真）
检查点路径='{}/best.weights.hdf5'.格式（输出目录）
最佳\u模型=模型检查点（检查点路径，监视器=监视器，详细信息=1，保存\u最佳\u仅=真，模式='max'）
#reduce_lr=tensorflow.python.keras.callbacks.reducelRonplation（）
m=度量（标签=标签，val\u数据=验证\u生成器，批次大小=批次大小）
历史=型号安装发电机（列发电机、，
每个历元的步数=每个历元的步数，
时代，
使用_multiprocessing=True，
验证数据=验证生成器，
验证步骤=验证步骤，
回调=[tensorboard，最佳模型，提前停止，
WandbCallback（数据类型=“图像”，
验证数据=验证生成器，
标签=标签）]#，附表]）
回归历史

所有代码都在

我原以为，当早期停止的耐心过去后，剩下的时代就不会过去了。如果提前停止，返回的模型将是权重中的最佳模型。然而，这个模型不是最好的模型，它是最后一个模型。我想返回最好的模型，并在提前停止后跳过历代

编辑：在复制并添加一些打印到EarlyStopping类之后，我发现了这个

Epoch 6/10
8/9 [=========================>....] - ETA: 0s - loss: 0.5594 - categorical_accuracy: 0.9062
Epoch 00006: val_categorical_accuracy did not improve from 0.27083
3 epochs since improvement to val_categorical_accuracy
Model stop_training state previously: False
Model stop_training state now: True
Restoring model weights from the end of the best epoch.
9/9 [==============================] - 8s 855ms/step - loss: 0.5511 - categorical_accuracy: 0.8889 - val_loss: 466.1678 - val_categorical_accuracy: 0.2292
Epoch 7/10
8/9 [=========================>....] - ETA: 0s - loss: 0.3544 - categorical_accuracy: 0.8992
Epoch 00007: val_categorical_accuracy did not improve from 0.27083
4 epochs since improvement to val_categorical_accuracy
Model stop_training state previously: False
Model stop_training state now: True
Restoring model weights from the end of the best epoch.

---

当self.model.stop_training设置为True时，它似乎不会持续到下一个纪元的末尾。看来回调中发生的事情没有应用到模型中？我不确定。欢迎有任何见解。

我也有同样的问题。我设置了

epochs=100

和

patience=5

，但每次我都有100个训练时期

我发现，这些家伙的早起行为是正确的：

---

主要提示：使用

min_delta

param。在这种情况下，如果在经过数个历次之后，与之前的最佳成绩相比没有任何改善，则将停止培训，这是由

patience

param设置的。

我想知道在将use\u multiprocessing设置为False之后，相同的问题是否仍然存在。我刚刚测试了它，并且该问题确实在

use\u multiprocessing=False

中持续存在。您找到方法让它工作了吗？我也看到了类似的问题，尽管在我的案例中是这样的。似乎不尊重model.stop_训练标志