mindspore.train.EarlyStopping

class mindspore.train.EarlyStopping(monitor='eval_loss', min_delta=0, patience=0, verbose=False, mode='auto', baseline=None, restore_best_weights=False)[源代码]

当监控的指标停止改进时停止训练。

假设 monitor 是”accuracy”，那么，mode 将为”max”，因为训练的目标是准确率的提高，model.fit() 边训练边验证场景下，将记录 monitor 的变化。当在 patience 个epoch范围内指标效果变好的程度没有超过 min_delta 时，将调用 run_context.request_stop() 方法来终止训练。

参数：

  • monitor (str) - 监控指标。如果是边训练边推理场景，合法的monitor配置值可以为”loss”, “eval_loss”以及实例化 Model 时传入的metric名称；如果在训练时不做推理，合法的monitor配置值为”loss”。当monitor为”loss”时，如果训练网络有多个输出，默认取第一个值为训练损失值。默认值：”eval_loss”。

  • min_delta (float) - monitor 指标变化的最小阈值，超过此阈值才视为 monitor 的变化。默认值：0。

  • patience (int) - moniter 相对历史最优值变好超过 min_delta 视为当前epoch的模型效果有所改善，patience 为等待的无改善epoch的数量，当内部等待的epoch数 self.wait 大于等于 patience 时，训练停止。默认值：0。

  • verbose (bool) - 是否打印相关信息。默认值：False。

  • mode (str) - {‘auto’, ‘min’, ‘max’} 中的一种，’min’模式下将在指标不再减小时执行早停，’max’模式下将在指标不再增大时执行早停，’auto’模式将根据当前 monitor 指标的特点自动设置。默认值：”auto”。

  • baseline (float) - 模型效果的基线，当前 moniter 相对历史最优值变好且好于 baseline 时，内部的等待epoch计数器被清零。默认值：0。

  • restore_best_weights (bool) - 是否自动保存最优模型的权重。默认值：False。

异常：

  • ValueError - 当 mode 不在 {‘auto’, ‘min’, ‘max’} 中。

  • ValueError - 当传入的 monitor 返回值不是标量。

样例：

说明

运行以下样例之前，需自定义网络LeNet5和数据集准备函数create_dataset。详见 网络构建 和 数据集 Dataset 。

>>> from mindspore import nn
>>> from mindspore.train import Model, EarlyStopping
>>> net = LeNet5()
>>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')
>>> optim = nn.Momentum(net.trainable_params(), 0.01, 0.9)
>>> model = Model(net, loss_fn=loss, optimizer=optim, metrics={"acc"})
>>> data_path = './MNIST_Data'
>>> dataset = create_dataset(data_path)
>>> cb = EarlyStopping(monitor="acc", patience=3, verbose=True)
>>> model.fit(10, dataset, callbacks=cb)
on_train_begin(run_context)[源代码]

训练开始时初始化相关的变量。

参数：
on_train_end(run_context)[源代码]

打印是第几个epoch执行早停。

参数：
on_train_epoch_end(run_context)[源代码]

训练过程中，若监控指标在等待 patience 个epoch后仍没有改善，则停止训练。

参数：