Wie kann man Keras das Training basierend auf dem Verlustwert stoppen?

Question

Derzeit verwende ich den folgenden Code:

callbacks = [ 
    EarlyStopping(monitor='val_loss', patience=2, verbose=0), 
    ModelCheckpoint(kfold_weights_path, monitor='val_loss', save_best_only=True, verbose=0), 
] 
model.fit(X_train.astype('float32'), Y_train, batch_size=batch_size, nb_epoch=nb_epoch, 
     shuffle=True, verbose=1, validation_data=(X_valid, Y_valid), 
     callbacks=callbacks) 

Es erzählt Keras Training zu stoppen, wenn Verlust nicht für zwei Epochen verbessert hat. Aber ich will Ausbildung stoppen, nachdem Verlust wurde kleiner als eine Konstante „THR“:

if val_loss < THR: 
    break 

ich in der Dokumentation gesehen haben gibt es Möglichkeit, eigenen Rückruf zu machen: http://keras.io/callbacks/ aber nichts gefunden, wie Trainingsprozess zu stoppen . Ich brauche einen Rat.

Answer 1

Eine Lösung besteht darin, innerhalb einer For-Schleife model.fit(nb_epoch=1, ...) aufzurufen, dann können Sie eine break-Anweisung in die for-Schleife einfügen und jeden anderen benutzerdefinierten Steuerfluss ausführen, den Sie möchten.

Answer 2

Ich fand die Antwort. Ich habe mir Keras Quellen angeschaut und Code für EarlyStopping gefunden. Ich habe meine eigenen Rückruf, basierend darauf:

class EarlyStoppingByLossVal(Callback): 
    def __init__(self, monitor='val_loss', value=0.00001, verbose=0): 
     super(Callback, self).__init__() 
     self.monitor = monitor 
     self.value = value 
     self.verbose = verbose 

    def on_epoch_end(self, epoch, logs={}): 
     current = logs.get(self.monitor) 
     if current is None: 
      warnings.warn("Early stopping requires %s available!" % self.monitor, RuntimeWarning) 

     if current < self.value: 
      if self.verbose > 0: 
       print("Epoch %05d: early stopping THR" % epoch) 
      self.model.stop_training = True 

Und Nutzung:

callbacks = [ 
    EarlyStoppingByLossVal(monitor='val_loss', value=0.00001, verbose=1), 
    # EarlyStopping(monitor='val_loss', patience=2, verbose=0), 
    ModelCheckpoint(kfold_weights_path, monitor='val_loss', save_best_only=True, verbose=0), 
] 
model.fit(X_train.astype('float32'), Y_train, batch_size=batch_size, nb_epoch=nb_epoch, 
     shuffle=True, verbose=1, validation_data=(X_valid, Y_valid), 
     callbacks=callbacks) 

Answer 3

Der keras.callbacks.EarlyStopping Rückruf ein min_delta Argument hat. Von Keras Dokumentation:

min_delta: minimale Änderung der überwachten Menge als eine Verbesserung zu qualifizieren, das heißt eine absolute Veränderung von weniger als min_delta, als keine Besserung rechnen.