為了獲得性能良好的神經網絡，網絡定型過程中需要進行許多關於所用設置（超參數）的決策。超參數之一是定型周期（epoch）的數量：亦即應當完整遍歷數據集多少次（一次為一個epoch）？如果epoch數量太少，網絡有可能發生欠擬合（即對於定型數據的學習不夠充分）；如果epoch數量太多，則有可能發生過擬合（即網絡對定型數據中的“噪聲”而非信號擬合）。
早停法旨在解決epoch數量需要手動設置的問題。它也可以被視為一種能夠避免網絡發生過擬合的正則化方法（與L1/L2權重衰減和丟棄法類似）。
目的還是解決過擬合！
早停法背后的原理其實不難理解：
- 將數據分為定型集和測試集
- 每個epoch結束后（或每N個epoch后）：
- 用測試集評估網絡性能
- 如果網絡性能表現優於此前最好的模型：保存當前這一epoch的網絡副本
- 將測試性能最優的模型作為最終網絡模型
keras.callbacks.EarlyStopping(monitor='val_loss', patience=0, verbose=0, mode='auto')
當監測值不再改善時，該回調函數將中止訓練
參數
-
monitor：需要監視的量
-
patience：當early stop被激活（如發現loss相比上一個epoch訓練沒有下降），則經過
patience個epoch后停止訓練。 -
verbose：信息展示模式
-
mode：‘auto’，‘min’，‘max’之一，在
min模式下，如果檢測值停止下降則中止訓練。在max模式下，當檢測值不再上升則停止訓練。