1. Keras 소개
   1. [시작하기] Sequential 모델 가이드
   2. [시작하기] 함수형 API 가이드
   3. [시작하기] FAQ
   4. [모델] Keras의 모델
   5. [모델] 함수형 API
   6. [모델] Sequential
   7. [계층] Keras의 계층
   8. [계층] Core 계층
   9. [계층] 합성곱 계층
   10. [계층] 풀링 계층
   11. [계층] 부분적으로 연결된 계층
   12. [계층] 재발 계층
   13. [계층] 임베딩 계층
   14. [계층] Merge 계층
   15. [계층] 고급 활성화 계층
   16. [계층] 표준화 계층
   17. [계층] 노이즈 계층
   18. [계층] 계층 Wrappers
   19. [계층] 자신만의 Keras 계층 만들기
   20. [전처리] 시퀀스 전처리
   21. [전처리] 텍스트 전처리
   22. [전처리] 이미지 전처리
2. Metrics
3. 손실
4. 최적화기
5. 활성화
6. Callbacks
7. 데이터셋
8. 애플리케이션
9. 백엔드 1
10. 백엔드 2
11. 백엔드 3
12. 백엔드 4
13. 백엔드 5
14. 초기화기
15. 정규화기
16. 제한
17. 시각화
18. Scikit-Learn API
19. 유용한 도구

Callbacks의 사용법

Callback은 주어진 훈련 절차에 적용될 함수의 세트입니다. Callbacks을 훈련 중에 모델 내부의 상태나 통계 등을 보기 위해 사용할 수 있습니다. 키워드 인수 callbacks으로 callback의 리스트를 Sequential나 Model 클래스의 .fit()메소드로 넘길 수 있습니다. Callbacks의 관련된 메소드는 매 훈련 단계마다 호출됩니다.

BaseLogger [source]

keras.callbacks.BaseLogger()

Metric의 epoch 평균을 축적하는 callback입니다.

이 callback은 자동으로 모든 Keras 모델에 적용됩니다.

Callback [source]

keras.callbacks.Callback()

새로운 callback을 만들기 위한 추상화된 기초 클래스입니다.

속성

• params: 딕셔너리이며 훈련 파라미터입니다(예를 들어, 상세 정보, batch 크기, epoch 수 등등).
• model: keras.models.Model의 인스턴스이며 훈련될 모델의 참고 항목입니다.

Callback 메소드가 인수로 받는 logs 딕셔너리는 현재 batch나 epoch에 상응하는 수량의 열쇠를 포함하게 됩니다.

현재, Sequential 모델 클래스의 .fit() 메소드는 callback에 넘겨 줄 다음과 같은 수량을 logs에 포함하고 있습니다:

• on_epoch_end: acc와 loss를 포함하고 선택적으로 (fit에서 검증이 가능할 때만)val_loss, (검증과 정확도 모니터링이 가능할 때)val_acc를 포함하는 로그입니다.
• on_batch_begin: 현재 batch의 샘플 갯수인 size를 포함하는 로그입니다.
• on_batch_end: loss와 선택적으로 (정확도 모니터링이 가능할 때)acc를 포함하는 로그입니다.

TerminateOnNaN [source]

keras.callbacks.TerminateOnNaN()

유효하지 않은 손실값(NaN loss)이 발생하였을 때 훈련을 종료시키는 callback 입니다.

ProgbarLogger [source]

keras.callbacks.ProgbarLogger(count_mode='samples')

표준출력으로 metrics을 출력하는 callback입니다.

인수

• count_mode: "steps"이나 "samples" 중 선택하여 진행 바가 어느 쪽을 표시할 것인지를 결정합니다.

예외 발생

• ValueError: 유효하지 않은 count_mode 인 경우입니다.

History [source]

keras.callbacks.History()

History 객체에 내력을 기록하는 callback입니다.

모든 Keras 모델에 자동으로 적용되며 History 객체는 모델의 fit 메소드에 의해 반환됩니다.

ModelCheckpoint [source]

keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1)

매 epoch 다음에 모델을 저장합니다.

filepath은 epoch값과 (on_epoch_end에 넘겨진)logs의 키를 파일명에 포함하는 양식을 가지고 있습니다. 예를 들면: filepath가 weights.{epoch:02d}-{val_loss:.2f}.hdf5이라면, 모델 체크포인트는 epoch 숫자와 검증 손실을 파일명에 포함하여 저장됩니다.

인수

• filepath: 문자열이며 모델 파일을 저장할 경로입니다.
• monitor: quantity to monitor.
• verbose: 상세 정보 모드이며 0과 1 중 택일합니다.
• save_best_only: save_best_only=True 인 경우, 모니터링하는 수량이 가장 좋았던 최근의 모델은 덮어쓰여지지 않습니다.
• mode: {auto, min, max} 중 택일합니다. save_best_only=True인 경우, 현재의 저장 파일에 덮어쓸지 여부는 모니터링하는 수량에 대해 최소화인지 최대화인지에 달려있습니다. val_acc에 대해서는 max, val_loss에 대해서는 min이 되는 등입니다. auto모드에서는 모니터링하는 수량의 이름을 통해 자동으로 추론하여 정해집니다.
• save_weights_only: True인 경우, 모델의 가중치만 저장되며(model.save_weights(filepath)), 아니면 모델 전체가 저장됩니다(model.save(filepath)).
• period: 체크포인트 사이의 간격입니다(epoch의 갯수).

EarlyStopping [source]

keras.callbacks.EarlyStopping(monitor='val_loss', min_delta=0, patience=0, verbose=0, mode='auto')

모니터링하는 수량이 개선을 멈추면 훈련을 중지합니다.

인수

• monitor: 모니터링할 수량입니다.
• min_delta: 모니터링 중 개선으로 간주할 수량의 최소 변화값입니다. 즉, 절대값이 이 값보다 작은 변화는 개선으로 간주되지 않습니다.
• patience: 개선이 없으면 훈련을 중지할 epoch의 갯수입니다.
• verbose: 상세 정보 모드입니다.
• mode: {auto, min, max} 중 택일합니다.
  • min : 수량이 감소를 멈추면 훈련을 중지합니다.
  • max : 수량이 증가를 멈추면 훈련을 중지합니다.
  • auto : 수량의 이름을 통해 자동으로 방향을 추론합니다.

RemoteMonitor [source]

keras.callbacks.RemoteMonitor(root='<http://localhost:9000>', path='/publish/epoch/end/', field='data', headers=None)

이벤트를 서버로 실시간으로 보내는 Callback 입니다.

requests 라이브러리가 필요합니다. 이벤트는 기본값으로 root + '/publish/epoch/end/'으로 보내집니다. 호출은 HTTP POST와 JSON으로 인코딩된 이벤트 데이터의 딕셔너리인 data 인수입니다.

인수

• root: 문자열이며 목표 서버의 root url 입니다.
• path: 문자열이며 이벤트가 보내질 root에서의 상대경로 입니다.
• field: 문자열이며 데이터가 저장될 JSON 영역입니다.
• headers: 딕셔너리이며 선택적인 사용자 지정 HTTP 헤더입니다.

LearningRateScheduler [source]

keras.callbacks.LearningRateScheduler(schedule)

학습율 스케쥴러입니다.

인수