class BaseLogger:
计算每个epoch周期的平均指标，这个回调已经被自动应用在每个Keras模型，所以不需要手动设置
callbacks = tf.keras.callbacks.BaseLogger( stateful_metrics=None ) model.fit( train_data, labels, epochs=5, batch_size=32, validation_split=0.2, callbacks=callbacks )
class CSVLogger:
将每个epoch的评估及损失结果导入到一个CSV文件中
filename：CSV保存路径separator：不同字段之间的分割符append：是否在原来的文件基础之上追加
callbacks = tf.keras.callbacks.CSVLogger( filename='./res.log', separator=',', append=False ) model.fit( train_data, labels, epochs=5, batch_size=32, validation_split=0.2, callbacks=callbacks )
class EarlyStopping:
当一个被监控的指标停止提升的时候停止训练
monitor：需要监控的指标或者损失min_delta：最小误差，只有两个epoch的评估值达到这个误差才会认为是一次变化，如果两次的误差小于min_delta则认为两次训练没有任何变化patience：连续没有改进的epoch数，如果连续patience个epoch还没有改进，则停止训练verbose：详细模式，用户打印控制台日志mode：有三种模式，分别是min，max，auto，如果是min那么会判断如果监控的损失不在下降停止训练，如果是max，那么则发现监控的指标不在上升停止训练，如果是auto则会根据传进来的监控指标进行推断baseline：监控指标的基线值，如果模型在基线上没有显示出改进，则训练将停止restore_best_weights：是否从具有监控指标最佳值的epoch恢复模型权重
callbacks = tf.keras.callbacks.EarlyStopping( monitor='val_loss', min_delta=1e-3, patience=2, verbose=0, mode='min', baseline=None, restore_best_weights=False ) model.fit( train_data, labels, epochs=5, batch_size=32, validation_split=0.2, callbacks=callbacks )
class History:
将训练事件记录到history对象中，此回调会自动应用于每个 Keras 模型，history 对象由模型的 fit 方法返回。
模型训练后返回的history对象会包含训练时期每个epoch的精度或者损失值以及验证集的评估指标
class LearningRateScheduler:
学习率时间表
schedule：一个函数，它以epoch为索引（整数，从 0 开始索引）和当前学习率（浮点数）作为输入，并返回一个新的学习率作为输出（浮点数）。verbose：是否打印学习更新情况
def scheduler(epoch, lr): if epoch < 10: return lr else: return lr * tf.math.exp(-0.1) callbacks = tf.keras.callbacks.LearningRateScheduler(scheduler=scheduler, verbose=1) model.fit( train_data, labels, epochs=5, batch_size=32, validation_split=0.2, callbacks=callbacks )
class ModelCheckpoint:
以某个频率保存 Keras 模型或模型权重的回调
filename：保存模型或者权重的路径monitor：需要监测的损失或者评估指标verbose：控制台输出状态save_best_only：是否保存最好的模型save_weights_only：是否只保存权重，否则是保存整个模型mode：监控模式，min，max，auto，是按照监控的评估指标来定，如果是损失选择min，如果是准确率这种选择max，如果是auto会根据传入的monitor自动推断save_freq：两种选择，分别是epoch和integer，如果是epoch是每个epoch保存一次，如果是填写一个整数，代表每训练多少个批次保存一次options：其它配置，用于保存模型或者参数
callbacks = tf.keras.callbacks.ModelCheckpoint( filename='./save_model', monitor='val_loss', verbose=1, save_best_only=False, save_weights_only=False, mode='auto', save_freq='epoch', options=None ) model.fit( train_data, labels, epochs=5, batch_size=32, validation_split=0.2, callbacks=callbacks )
class ProgbarLogger:
打印精度到标准输出
