早停法在tf.keras中通过tf.keras.callbacks.EarlyStopping配置，它作为监听器监控验证指标（如'val_loss'），需确保monitor与model.compile()中metrics名称严格匹配、带'val_'前缀，配合patience（容忍未改进轮数）、min_delta（最小改善阈值）和restore_best_weights=True以恢复最佳权重。
早停法在 tf.keras 中怎么配？
直接用 tf.keras.callbacks.EarlyStopping，它不是模型层也不是训练逻辑，而是一个“监听器”——只管看指标、发信号、让训练停下来。关键不是“怎么写”，而是“看哪个指标、什么时候停、停得稳不稳”。
常见错误是把 monitor 设成 'loss' 却在验证集上没传 validation_data，结果报错 ValueError: Early stopping requires validation data；或者设成 'val_accuracy' 却忘了指标名大小写或拼写（比如写成 'val_acc' 在新版本 TensorFlow 中就无效）。
-
monitor必须对应模型编译时metrics里注册的名称，且带val_前缀（如'val_sparse_categorical_accuracy'） -
patience是“容忍多少轮没改进”，不是“最多训练多少轮”——第 10 轮变好、第 11–15 轮持平，patience=3会等到第 18 轮才停 - 加
restore_best_weights=True，否则停下来的模型权重是最后一轮的，可能比最佳那轮差不少
EarlyStopping 和 ModelCheckpoint 能一起用吗？
能，而且推荐一起用——EarlyStopping 决定“何时停”，ModelCheckpoint 确保“停下来的模型是真最好的”。但顺序和触发逻辑容易出错：如果 ModelCheckpoint 的 save_best_only=True 但 monitor 和 EarlyStopping 不一致（比如一个盯 val_loss，一个盯 val_accuracy），就会存下非早停依据的“最佳”模型。
- 两个 callback 的
monitor应该完全一致，例如都用'val_loss' -
ModelCheckpoint的save_freq='epoch'是默认值，不用改；但若设为'batch'，可能频繁写盘拖慢训练，还未必需要 - 路径要写对：
filepath='./best_model.h5'，注意后缀必须匹配保存格式（.h5对应 HDF5，.keras对应新格式）
验证集指标震荡大，早停总误判怎么办？
小验证集、数据增强太强、batch size 太小，都会导致 val_loss 上下跳，早停可能第 5 轮就停了，其实后面还能降。这不是 callback 有 bug，而是指标噪声干扰了判断。
立即学习“Python免费学习笔记（深入）”；
- 加
min_delta=1e-4（默认是 0），表示只有改善超过这个阈值才算“真正变好”，过滤微小抖动 - 增大
patience（比如从 5 改成 10 或 15），但别盲目拉长——配合verbose=1观察日志，确认震荡是否真持续 - 避免在每轮都 shuffle 验证集（
validation_steps和shuffle=False更稳定），尤其当验证集本身很小（
自定义早停逻辑：比如只看连续下降、或组合多个指标？
EarlyStopping 本身不支持多条件或“连续 n 轮下降”这种规则，强行魔改源码得不偿失。更稳妥的做法是继承 tf.keras.callbacks.Callback，自己实现 on_epoch_end。
例如想“连续 3 轮 val_loss 下降才继续，否则停”，可以这样轻量实现：
class CustomEarlyStopping(tf.keras.callbacks.Callback):
def __init__(self, patience=3):
self.patience = patience
self.loss_history = []
<pre class="brush:php;toolbar:false;">def on_epoch_end(self, epoch, logs=None):
current = logs.get('val_loss')
if current is not None:
self.loss_history.append(current)
if len(self.loss_history) > self.patience:
recent = self.loss_history[-self.patience:]
# 检查是否连续下降
if all(recent[i] > recent[i+1] for i in range(len(recent)-1)):
return
self.model.stop_training = True
注意：这种写法绕过了内置的 min_delta 和 baseline，所有逻辑得自己兜底；生产环境建议先用标准 EarlyStopping + 调参，仅当明确其策略不适用时再定制。
最常被忽略的一点：早停只解决“训练太久”，不解决“模型本身容量过大”或“数据分布偏差”。如果验证 loss 从第一轮就远高于训练 loss，调 patience 没用，得回头查数据预处理或正则化配置。
