Comment dire à Keras d'arrêter l'entraînement en fonction de la valeur de perte?

Question

Actuellement, j'utilise le code suivant:

 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)
 

Il dit à Keras de cesser de s'entraîner lorsque la perte ne s'est pas améliorée pendant 2 époques. Mais je veux arrêter de m'entraîner après que la perte soit devenue inférieure à un "THR" constant:

 if val_loss < THR:
    break
 

J'ai vu dans la documentation qu'il existe une possibilité de faire votre propre rappel: http://keras.io/callbacks/ Mais rien n'a trouvé comment arrêter le processus de formation. J'ai besoin d'un conseil.

Answer 1

J'ai trouvé la réponse. J'ai examiné les sources de Keras et découvert le code pour EarlyStopping. J'ai fait mon propre rappel, basé sur celui-ci:

 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
 

Et utilisation:

 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 2

Le rappel keras.callbacks.EarlyStopping a un argument min_delta. De la documentation Keras:

min_delta: la variation minimale de la quantité contrôlée pour être considérée comme une amélioration, c’est-à-dire une modification absolue inférieure à min_delta, ne comptera pas comme une amélioration.

Answer 3

Une solution consiste à appeler model.fit(nb_epoch=1, ...) intérieur d'une boucle for. Vous pouvez ensuite insérer une instruction break dans la boucle for et utiliser le flux de contrôle personnalisé souhaité.