earlystopping是tensorflow 2.x内置回调，直接用tf.keras.callbacks.earlystopping创建并传入model.fit()的callbacks列表即可生效；必须提供验证数据，monitor值需与history.history中实际键名一致（如val_loss），且推荐设restore_best_weights=true以保存最优权重。
EarlyStopping 回调在 TensorFlow 2.x 中怎么写
直接用 tf.keras.callbacks.EarlyStopping，不是自定义类，也不是手动检查 loss。它本质是一个内置回调，只要传进 model.fit() 的 callbacks 列表里就生效。
最简可用写法：
early_stopping = tf.keras.callbacks.EarlyStopping(
monitor='val_loss',
patience=7,
restore_best_weights=True
)
model.fit(x_train, y_train, validation_data=(x_val, y_val), callbacks=[early_stopping])
注意三点：必须有验证数据（validation_data 或 validation_split），monitor 值要真实存在（比如没开验证就监控 val_loss 会报错），restore_best_weights=True 很关键——否则停训时模型参数是最后一步的，未必最优。
monitor 参数填什么才不会报 KeyError
填错 monitor 是最常见的报错源头，错误信息通常是 KeyError: 'val_accuracy' 这类。根本原因是：你监控的指标名，必须和 model.compile() 里定义的指标、以及训练日志中实际输出的键完全一致。
- 如果你用
metrics=['accuracy']，验证时日志里出现的是val_accuracy（小写，带下划线） - 如果你用
metrics=['sparse_categorical_accuracy']，对应就是val_sparse_categorical_accuracy - 自定义指标（如继承
tf.keras.metrics.Metric）需确保self.name设置正确，且名字不含空格或特殊字符 - 想确认有哪些可用键？加个
print(history.history.keys())在fit()之后立刻看
patience 和 min_delta 怎么配合防抖动
训练 loss/acc 本身有波动，单纯看“比上一轮差”就停太敏感。靠 patience 和 min_delta 联合过滤噪声。
-
patience=5意味着连续 5 个 epoch 没改善才触发停止，不是累计 5 次 -
min_delta=1e-4表示变化必须超过这个阈值才算“改善”，比如val_loss从 0.12345 降到 0.12340（差 5e-5）就不算，避免被浮点抖动带偏 - 对 accuracy 类指标，建议
min_delta=1e-3；对 loss，1e-4更稳妥 - 如果验证集太小或噪声大，可把
patience设到 10–15，但别盲目拉长——可能真过拟合了
restore_best_weights=False 会导致什么后果
默认是 False，这意味着 EarlyStopping 触发时，模型保留的是最后一次训练完的权重，而非历史最优那组。结果往往是：验证 loss 已经反弹，但你拿去推理的却是最差的一版。
必须显式设为 True 才能回滚。注意两点：
- 它只在
monitor对应的指标上取最优（比如monitor='val_loss'就按最小 loss 挑权重） - 它不保存中间模型文件，只内存回滚；如果还想存盘，得额外加
ModelCheckpoint回调 - 若训练中途崩溃，
restore_best_weights不起作用——它依赖训练正常结束流程
真正容易被忽略的是：这个选项不是“开关式”功能，它依赖 monitor 指标全程可访问。如果前几个 epoch 验证失败（比如 val_loss 是 nan），它可能无法正确识别“最佳点”。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
