在每個training/epoch/batch結(jié)束時，如果我們想執(zhí)行某些任務(wù)，例如模型緩存、輸出日志、計算當(dāng)前的auc等等，Keras中的callback就派上用場了。

Example 記錄每個batch的損失函數(shù)值

import keras
 
# 定義callback類
class MyCallback(keras.callbacks.Callback):
    def on_train_begin(self, logs={}):
        self.losses = []
        return

    def on_batch_end(self, batch, logs={}): # batch 為index, logs為當(dāng)前batch的日志acc, loss...
        self.losses.append(logs.get('loss')) 
        return

# 定義模型model
...
...

# 調(diào)用callback
cb = MyCallback()

# 訓(xùn)練模型
model.fit(x_train, y_train, batch_size=32, epochs=10, callbacks=[cb])

# 查看callback內(nèi)容
cb.losses

如上述例子，我們可以繼承keras.callbacks.Callback來定義自己的callback,只需重寫其中的6個方法即可

• on_train_begin
• on_train_end
• on_epoch_begin
• on_epoch_end
• on_batch_begin
• on_batch_end

可在這6個方法中定義自己想要的屬性，通過self.model可以訪問模型本身，self.params可以訪問訓(xùn)練參數(shù)。

可能有用的屬性

• self.validation_data validate數(shù)據(jù)集
• self.validation_data[0] 為X
• self.validation_data[1] 為y