如何在Keras中设置自定义误差阈值并在误差达0.02时停止训练？

嘿，这事儿其实用Keras的EarlyStopping回调就能轻松搞定！它专门用来监控训练过程中的指标，当达到你设定的误差阈值时自动停止训练，完全贴合你的需求。

下面是修改后的完整代码，我给你加了关键的回调配置和注释，一看就懂：

from keras.models import Sequential
from keras.layers import Dense
# 导入早停回调工具
from keras.callbacks import EarlyStopping

model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(dimData,)))
model.add(Dense(512, activation='relu'))
model.add(Dense(512, activation='relu'))
model.add(Dense(nClasses, activation='softmax'))

# 配置网络
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

# 定义早停规则：当误差降到0.02时停止训练
early_stop = EarlyStopping(
    monitor='val_loss',  # 监控验证集损失（想监控训练集就改成'loss'）
    min_delta=0.02,      # 你设定的误差阈值，损失低于这个值就触发停止
    patience=0,          # 不需要等待额外轮次，达标立刻停
    mode='min',          # 因为损失越小越好，所以用min模式
    restore_best_weights=True  # 停止后自动恢复到损失最低的那轮权重
)

# 训练时把回调加进去
history = model.fit(
    train_data, 
    train_labels_one_hot, 
    batch_size=256, 
    epochs=20, 
    verbose=1, 
    validation_data=(test_data, test_labels_one_hot),
    callbacks=[early_stop]  # 传入早停回调
)

关键参数说明： #

• monitor='val_loss'：我选了验证集损失，因为它更能反映模型的泛化能力；如果你的需求是盯着训练集误差，直接改成'loss'就行。
• min_delta=0.02：这就是你要的误差阈值，当监控的指标降到这个值以下时，训练会立刻停止。
• patience=0：意思是不等待，达标就停；如果怕偶然波动，你可以设成1或2，也就是连续1-2轮都低于阈值才停止。
• restore_best_weights=True：这个很实用，能让模型最终保留的是损失最低时的权重，避免最后一轮波动带来的影响。

这样调整后，你的模型就会在误差降到0.02的时候自动停止训练啦，是不是超简单？

内容的提问来源于stack exchange，提问作者Adn Agung