早停法(Early_Stopping)

目的 :在模型达到最好效果的时候停止训练

设定一个监视值(monitor)

设定监视值不再发生改善前允许训练的最大次数

代码实现 :

在model.fit之前添加:

python 复制代码
early_stop = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10)
#模型训练中监视的值为val_loss,当模型在持续训练10个回合后val_loss仍无改善后即终止训练

在model.fit中添加:

python 复制代码
history = model.fit(data_2,label, epochs=50,
                    validation_split = 0.3,
                    callbacks = [early_stop]
                   )
相关推荐
GuWenyue2 小时前
写Agent还要重复封装工具?一套MCP多服务方案,3个能力让AI自动查地图、读写文件、操控浏览器
人工智能·机器学习·开源
GuWenyue2 小时前
90%AI新手不会调参!LangChain双模型流水线实战,一套代码兼顾严谨+创意
人工智能
光锥智能4 小时前
WAIC亮点|兼具泛化能力与作业效率的极智嘉机器人天团
人工智能·机器人
阳光是sunny4 小时前
LangGraph中的Reducer是什么
前端·人工智能·后端
甲维斯4 小时前
Kimi K3 重构10000行单文件屎山代码!
人工智能
阳光是sunny4 小时前
从链到图:LangGraph 入门基础全解析
前端·人工智能·后端
新知图书5 小时前
11.3 详细实现与核心配置(作业批改智能体开发)
人工智能·agent·ai agent·智能体·扣子
深度研习笔记6 小时前
OpenCV工业视觉实战11|多线程解耦+视频流稳流+推理加速,彻底解决卡顿阻塞,实现毫秒级工业实时检测
人工智能·opencv·计算机视觉
delishcomcn6 小时前
AI视觉识别+分切算法:电化铝缺陷检测与裁切一体化解锁
人工智能·算法
触底反弹6 小时前
深入理解大模型采样:Temperature、Top-K、Top-P 的原理与实战
人工智能·算法·面试