Tensorflow tf.keras中的早期顶起问题

我正在训练我的第一个转移学习模型（耶！），我很难让模型停止训练，因为验证损失在3个多世纪内没有变化超过0.1

下面是相关的代码块

early_stopping = tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=3, min_delta = 0.1)

model.compile(optimizer='adam',
          loss='sparse_categorical_crossentropy',
          metrics=['accuracy'],
          callbacks=[early_stopping])

EPOCHS = 100

history = model.fit(training_batches,
                epochs=EPOCHS,
                validation_data=validation_batches)

下面是一些日志：

    Epoch 32/100
    155/155 [==============================] - 21s 134ms/step - loss: 0.0042 - accuracy: 0.9998 - val_loss: 0.3407 - val_accuracy: 0.9012
    Epoch 33/100
    155/155 [==============================] - 21s 133ms/step - loss: 0.0040 - accuracy: 0.9998 - val_loss: 0.3443 - val_accuracy: 0.9000
    Epoch 34/100
    155/155 [==============================] - 21s 134ms/step - loss: 0.0037 - accuracy: 0.9998 - val_loss: 0.3393 - val_accuracy: 0.9019
    Epoch 35/100
    155/155 [==============================] - 21s 135ms/step - loss: 0.0031 - accuracy: 1.0000 - val_loss: 0.3396 - val_accuracy: 0.9000
    Epoch 36/100
    155/155 [==============================] - 21s 134ms/step - loss: 0.0028 - accuracy: 1.0000 - val_loss: 0.3390 - val_accuracy: 0.9000
    Epoch 37/100
    155/155 [==============================] - 21s 133ms/step - loss: 0.0026 - accuracy: 1.0000 - val_loss: 0.3386 - val_accuracy: 0.9025
    Epoch 38/100
    155/155 [==============================] - 21s 133ms/step - loss: 0.0024 - accuracy: 1.0000 - val_loss: 0.3386 - val_accuracy: 0.8994
    Epoch 39/100
    155/155 [==============================] - 21s 133ms/step - loss: 0.0022 - accuracy: 1.0000 - val_loss: 0.3386 - val_accuracy: 0.9019

问题:

• 为什么训练没有在第37纪元停止，因为我设置了早期停止回调来监控Valu损失
• 我可以做更复杂的提前终止回调吗？类似于“如果val_精度>0.90&&val_损失在三个时期内没有超过0.1的变化”。如果可以，我可以得到一个教程的链接吗

  ---

减少

耐心=3

，减少e。g

1

或

2

并查看发生了什么

---

它告诉Keras你有多努力。耐心=少数人会告诉Keras尽早停止训练。另一方面，如果你使用一个大的数字，它会告诉Keras等待，直到达到相当大的精度

---

耐心：产生监测数量且没有改善的历元数，之后将停止训练。如果验证频率（model.fit（Validation_freq=5））大于1，则可能不会为每个历元生成验证数量

它不起作用，因为您将

回调

参数放在了错误的方法调用中。（事实上，当使用传递给

compile

的

callbacks

拟合模型时，我收到了一个无效的参数错误。因此，我不确定为什么您的模型编译时没有问题。）

它应该在

fit

方法中，如下所示。请注意，建议在早期停止配置中设置

verbose=1

，以便打印早期停止日志

early_stopping = tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=3, min_delta = 0.1, verbose = 1)

model.compile(optimizer='adam',
          loss='sparse_categorical_crossentropy',
          metrics=['accuracy'])

EPOCHS = 100

history = model.fit(training_batches,
                epochs=EPOCHS,
                callbacks=[early_stopping], # call back should be here!
                validation_data=validation_batches)

关于第二个问题，自定义回调是可能的，您可以参考文档中的示例。基本上，您需要在\u epoch\u end上的

中定义早期停止逻辑

另一方面，我认为您不应该过早地停止使用多个指标，选择一个重要的指标（即您正在优化的指标-
val\u accurity
），然后监控它。甚至还有一些源不鼓励提前停止&相反，将epoch视为一个可调的超参数。请参阅我发现有用的讨论主题。
也许可以解释一下原因！它告诉Keras你有多努力。耐心=少数人会告诉Keras尽早停止训练。另一方面，如果你使用一个大的数字，它会告诉Keras等待，直到达到相当大的准确度。耐心：产生监测数量且没有改善的历元数，之后将停止训练。如果验证频率（model.fit（Validation_freq=5））大于1，则可能不会为每个历元生成验证数量。我认为您只需编辑答案以包含这些详细信息，因为注释是临时的。谢谢，我也不确定模型为什么符合要求。谢谢你的链接。