如何在训练模型时在 keras 中创建自定义回调函数 - Python

Keras 是一个开源的 Python 深度学习库，它可以在 TensorFlow, CNTK 或 Theano 上运行。Keras 中提供了许多内置的回调函数，如 EarlyStopping、ModelCheckpoint 和 ReduceLROnPlateau 等，开发者可以使用这些回调函数来优化训练过程。此外，Keras 还提供了一个自定义回调函数的接口，允许开发者在训练模型时创建自定义的回调函数，以便更好地控制训练流程。

创建自定义回调函数

要创建一个自定义回调函数，可以继承 Keras 的 Callback 类，并实现一些方法。以下是一个简单的例子：

from keras.callbacks import Callback

class MyCallback(Callback):
    def on_train_begin(self, logs={}):
        print('训练开始')

    def on_epoch_end(self, epoch, logs={}):
        print('第 %d 轮 训练结束' % (epoch+1))
        print('loss:', logs.get('loss'))
        print('val_loss:', logs.get('val_loss'))

    def on_train_end(self, logs={}):
        print('训练结束')

在这个例子中，我们定义了一个名为 MyCallback 的回调函数类，并实现了它的三个方法 on_train_begin、on_epoch_end 和 on_train_end。这三个方法分别在训练开始、每轮训练结束和训练结束时被调用。在 on_train_begin 方法中，我们只打印一些文本信息；在 on_epoch_end 方法中，我们打印当前轮次的训练损失和验证损失；在 on_train_end 方法中，我们也只是打印一些文本信息。

将自定义回调函数添加到模型中

要将自定义回调函数添加到模型中进行训练，只需在 fit 方法中将其传递给 callbacks 参数：

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Dense(10, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='rmsprop')

callback = MyCallback()

model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val), callbacks=[callback])

在这个例子中，我们创建了一个简单的神经网络模型，并将自定义回调函数 MyCallback 传递给 fit 方法的 callbacks 参数。这样，当模型训练时，我们定义的回调函数也会被调用。

使用自定义回调函数

使用自定义回调函数可以为训练过程提供更多的控制和监测。例如，我们可以在每轮训练结束后保存模型的权重，以便在训练过程中进行模型评估：

from keras.callbacks import Callback
import os

class SaveWeightsCallback(Callback):
    def __init__(self, model_dir):
        self.model_dir = model_dir
        if not os.path.exists(self.model_dir):
            os.makedirs(self.model_dir)

    def on_epoch_end(self, epoch, logs=None):
        filepath = os.path.join(self.model_dir, 'weights-%02d.h5' % (epoch+1))
        self.model.save_weights(filepath)
        print('Saved weights to', filepath)

在这个例子中，我们定义了一个名为 SaveWeightsCallback 的回调函数类，并实现了它唯一的方法 on_epoch_end。在每轮训练结束时，我们将保存模型权重的代码写入该方法中。同时，在 __init__ 方法中，我们接受一个参数 model_dir，用于指定保存模型权重的目录。

要使用这个自定义回调函数，我们只需按照之前的方式将其添加到模型中即可：

model = Sequential()
model.add(Dense(32, input_dim=784))
model.add(Dense(10, activation='softmax'))

model.compile(loss='categorical_crossentropy', optimizer='rmsprop')

callback = SaveWeightsCallback('models')

model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val), callbacks=[callback])

在这里，我们传递了一个目录名 models，用于保存模型权重文件。在每轮训练结束时，我们将模型权重保存到该目录下，以文件名 weights-%02d.h5 的形式命名，其中 %02d 表示将整数格式化为两位数。

总结

在 Keras 中创建自定义回调函数非常简单，只需继承 Keras 的 Callback 类，并实现需要的方法。通过自定义回调函数，我们可以更好地控制训练流程，并在训练过程中监测模型性能，提高模型的效果。