早停常失效是因为monitor选错或验证数据缺失：若未传validation_data却监控val_loss，回调会静默失效；patience指连续无改善轮数，设太小易误停、太大则浪费资源，需配合restore_best_weights=True。
早停（EarlyStopping）为什么常失效？关键在 monitor 和 patience 配合
早停不是加个回调就自动起效，最常见问题是 monitor 选错或训练/验证指标不匹配。比如你在 model.fit() 中没传 validation_data，却让 EarlyStopping(monitor="val_loss") 监控 val_loss，TensorFlow 会静默忽略该回调，不报错但也不触发停止。
实操建议：
立即学习“Python免费学习笔记（深入）”；
-
monitor必须是训练过程中实际计算并记录的指标名，常见可选项："loss"、"val_loss"、"accuracy"、"val_accuracy"；注意名称必须与model.compile()中定义的指标名（或默认名）完全一致，大小写敏感 -
patience不是“最多训练多少轮”，而是“连续多少轮没改善就停”；若设太小（如patience=1），可能因单轮波动误停；设太大（如patience=50）又浪费资源 - 配合
restore_best_weights=True，否则停训时模型参数是最后一轮的，未必最优
ModelCheckpoint 怎么保存才真正能续训？路径和 save_weights_only 要小心
只靠 ModelCheckpoint 保存文件，不代表能直接 load_model() 续训——尤其是用了自定义层、损失函数或 optimizer 状态时。很多用户保存后加载报错 Unknown layer 或 optimizer 学习率丢失，根源在此。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
save_weights_only=True+model.load_weights()最稳妥：权重文件小、兼容性高、不依赖图结构序列化，适合纯续训场景 - 若需完整模型（含架构、优化器状态），必须用
save_weights_only=False，且确保保存路径是完整文件路径（如"./checkpoints/model_epoch_{epoch:02d}"），不能只写目录名 - 检查保存路径所在目录是否存在，TensorFlow 不会自动创建父目录；缺失时静默失败，不生成任何文件
- 推荐用
filepath模板中加入{epoch}和{val_loss:.4f}，方便后续定位最佳权重
断点续训时 optimizer 状态丢失？必须手动恢复 learning rate 和 iteration
即使正确加载了权重，model.load_weights() 不恢复 optimizer 的内部状态（如 Adam 的 m、v 矩阵，或当前 learning_rate 值）。这会导致学习率重置为初始值，或优化器从头累积动量，训练曲线突变。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 完整保存模型（
save_weights_only=False）时，optimizer 状态一并保存，加载tf.keras.models.load_model()即可恢复全部状态 - 若只保存权重，需额外保存 optimizer 状态：用
checkpoint = tf.train.Checkpoint(optimizer=optimizer, model=model)+checkpoint.save()，再用checkpoint.restore()加载 - 手动设置 learning rate：加载后执行
optimizer.learning_rate.assign(old_lr_value)，其中old_lr_value需提前存到 JSON 或 checkpoint 中 - 注意
tf.keras.optimizers.legacy.Adam（TF 2.11+ 默认）与旧版行为差异，续训前确认 optimizer 类型一致
如何安全地从断点启动 fit()？fit() 的 initial_epoch 参数不能少
很多人加载完权重就直接调 model.fit(..., epochs=100)，结果模型从 epoch 0 重新开始训——因为 fit() 默认 initial_epoch=0，不管权重来自哪一轮。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 必须显式传
initial_epoch=N，N 是上次中断的 epoch 编号（即已训练完的轮数，不是下一轮编号）；例如上次停在第 42 轮（log 显示Epoch 42/100），则下次initial_epoch=42 - 如果用
ModelCheckpoint保存时启用了save_freq="epoch"，可通过读取checkpoint.index文件或目录下最新文件名反推 epoch 数，但更可靠的是训练时把epoch写入单独的last_epoch.txt - 验证
initial_epoch是否生效：看 fit 输出第一行是否为Epoch 42/100，而不是Epoch 1/100
早停和断点续训真正难的不是写几行回调，而是各组件状态（模型权重、optimizer 变量、学习率张量、epoch 计数器）必须同步对齐。漏掉任意一环，表面跑通，实际训练逻辑已偏移。
