model.fit() 方法是 TensorFlow Keras 中用于训练模型的核心方法。
其中里面的callbacks参数是实现模型保存、监控、以及和tensorboard联动的重要API

1 model.fit() 方法的参数及使用

必需参数

• x: 训练数据的输入。可以是 NumPy 数组、TensorFlow tf.data.Dataset、Python 生成器或 keras.utils.Sequence 实例。
• y: 训练数据的目标（标签）。与输入 x 相对应，应该是 NumPy 数组或 TensorFlow tf.data.Dataset。当 x 是 tf.data.Dataset、生成器或 Sequence 实例时，y 应该不被提供，因为 x 已经包含了输入和目标。

常用可选参数

• batch_size: 整数，指定进行梯度更新时每个批次的样本数。默认值为 32。注意，当使用 tf.data.Dataset、生成器或 Sequence 作为输入时，不应指定 batch_size，因为这些数据结构已经定义了批次大小。
• epochs: 整数，训练模型的轮数，即整个数据集的前向和反向传播次数。
• verbose: 整数，日志显示模式。0 = 不在标准输出流中输出日志信息，1 = 进度条（默认），2 = 每轮一行。
• callbacks: keras.callbacks.Callback 实例的列表。一系列在训练过程中会被调用的回调函数，用于查看训练过程中内部状态和统计信息。
• validation_split: 浮点数，0 到 1 之间，用来指定一定比例的训练数据作为验证数据的比例。模型会在这些数据上评估损失和任何模型指标，但这些数据不会用于训练。
• validation_data: 用作验证的数据。格式可以是 (X_val, y_val) 的元组，或者是 tf.data.Dataset。如果提供此参数，则不会根据 validation_split 从训练数据中分割验证数据。
• shuffle: 布尔值或字符串，表示是否在每轮训练前打乱数据。默认为 True。当设置为 False 时，不会打乱数据。当输入为 tf.data.Dataset、生成器或 Sequence 实例时，此参数无效，因为这些数据结构可能已经定义了自己的打乱数据的方式。
• initial_epoch: 用于恢复之前的训练。从该轮次开始训练，之前的轮次被视为已经训练过。

高级参数

• steps_per_epoch: 整数，当使用生成器或 Sequence 实例作为输入时定义一个 epoch 完成并开始下一个 epoch 的总步数（批次数）。通常，应该等于数据集的样本数除以批次大小。
• validation_steps: 当 validation_data 是生成器或 Sequence 实例时，此参数指定在停止前验证集的总步数（批次数）。
• validation_batch_size: 整数，仅当 validation_data 是 NumPy 数组时有效。指定验证批次的大小。
• validation_freq: 指定验证的频率。可以是整数，也可以是 'epoch' 或列表。如果是整数，则表示每多少个 epoch 验证一次。如果是列表，则列表中的元素指定了需要进行验证的 epoch。

使用示例

基本用法：

model.fit(x_train, y_train, batch_size=64, epochs=10, validation_split=0.2)

使用验证数据：

model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val))

使用回调函数：

from tensorflow.keras.callbacks import EarlyStopping

early_stopping = EarlyStopping(monitor='val_loss', patience=3)
model.fit(x_train, y_train, epochs=10, validation_split=0.2, callbacks=[early_stopping])

使用 tf.data.Dataset：

train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
val_dataset = tf.data.Dataset.from_tensor_slices((x_val, y_val)).batch(32)
model.fit(train_dataset, epochs=10, validation_data=val_dataset)

model.fit() 方法提供了灵活的方式来训练模型，通过合理设置参数，可以有效地控制训练过程和评估模型性能。

2 callbacks参数使用

callbacks 参数是 model.fit() 方法中一个重要参数，属于keras的高级用法，它允许在训练的不同阶段（如训练开始、训练结束、每个 epoch 开始/结束时等）执行特定的操作。

callbacks 是一个 tf.keras.callbacks.Callback 实例的列表，每个实例都能够访问到模型的内部状态和统计信息。TensorFlow Keras 提供了多种内置的回调函数，同时也支持自定义回调。
以下是callbacks类的全部方法类（https://keras.io/api/callbacks/）：

1. ModelCheckpoint: 在训练过程中保存模型或模型权重。

   • filepath: 保存模型的路径。
   • monitor: 被监视的数据。
   • verbose: 详细信息模式。
   • save_best_only: 若为 True，则只保存在验证集上性能最好的模型。
   • save_weights_only: 若为 True，则只保存模型的权重。
   • mode: {auto, min, max} 中的一个。决定监视的数据是应该最大化还是最小化。
   • save_freq: 保存模型的频率。

   checkpoint = tf.keras.callbacks.ModelCheckpoint(filepath='model.h5', save_best_only=True, monitor='val_loss', mode='min')
   

2. EarlyStopping: 当被监视的数据不再提升，则停止训练。

   • monitor: 被监视的数据。
   • min_delta: 改进的最小变化量，小于这个量的改进将被忽略。
   • patience: 没有进步的训练轮数，在这之后训练将被停止。
   • verbose: 详细信息模式。
   • mode: {auto, min, max} 中的一个。

   early_stopping = tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)
   

3. ReduceLROnPlateau: 当学习停滞时，减少学习率。

   • monitor: 被监视的数据。
   • factor: 学习率将以这个因子减少。新的学习率 = 学习率 * 因子。
   • patience: 没有进步的训练轮数，在这之后学习率将被减少。
   • verbose: 详细信息模式。
   • mode: {auto, min, max} 中的一个。
   • min_lr: 学习率的下限。

   reduce_lr = tf.keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.2, patience=5, min_lr=0.001)
   

4. TensorBoard: 为 TensorFlow 提供的可视化工具。

   • log_dir: 用来保存日志文件的路径，TensorBoard 将读取这个路径下的日志。
   • histogram_freq: 对于模型层的激活和权重直方图的计算频率（每个 epoch）。
   • write_graph: 是否在 TensorBoard 中可视化图形。如果 write_graph 被打开，日志文件会变得非常大。

   tensorboard = tf.keras.callbacks.TensorBoard(log_dir='./logs')
   

使用示例

callbacks = [
    tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=10),
    tf.keras.callbacks.ModelCheckpoint(filepath='model.h5', save_best_only=True, monitor='val_loss', mode='min'),
    tf.keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.2, patience=5, min_lr=0.001),
    tf.keras.callbacks.TensorBoard(log_dir='./logs')
]

model.fit(x_train, y_train, validation_split=0.2, epochs=50, callbacks=callbacks)

自定义回调

也可以通过继承 tf.keras.callbacks.Callback 类来创建自定义回调，允许在训练的不同阶段执行自定义的逻辑。

class CustomCallback(tf.keras.callbacks.Callback):
    def on_epoch_end(self, epoch, logs=None):
        # 每个 epoch 结束时执行
        keys = list(logs.keys())
        print(f"结束 epoch {epoch}，损失 = {logs['loss']}, 验证损失 = {logs['val_loss']}")

model.fit(x_train, y_train, validation_split=0.2, epochs=50, callbacks=[CustomCallback()])

回调提供了一种灵活的方式来嵌入训练过程，使得你可以在不改变模型代码的情况下，监控模型的训练、保存模型、调整学习率等。