必须严格匹配的方法名包括：on_train_begin、on_train_end、on_epoch_begin、on_epoch_end、on_batch_begin、on_batch_end；拼写、大小写或下划线错误均导致对应阶段逻辑静默失效。
TensorFlow 的 tf.keras.callbacks.Callback 类本身不支持直接用装饰器或 lambda 定义，必须继承并重写生命周期方法；否则训练时回调不会被触发，甚至静默失效。
哪些方法名必须严格匹配才能生效
TensorFlow 2.x 通过方法名约定调用回调逻辑，拼错、大小写错误或多余下划线都会导致该阶段完全不执行：
-
on_train_begin和on_train_end：整个 fit 过程起止（注意不是on_training_begin） -
on_epoch_begin/on_epoch_end：每轮开始/结束，logs参数在_end方法中才包含loss、accuracy等指标 -
on_batch_begin/on_batch_end：每 batch 起止，on_batch_end的logs包含当前 batch 的损失（但不含验证指标） - 所有方法第一个参数必须是
self，第二个是logs（on_train_*可能为None），不能多加或少加参数
如何安全访问模型状态和训练数据
回调内部不能直接调用 model.predict() 或 model.evaluate()，因为此时模型可能处于非训练态（如 BN 层未更新），且会干扰梯度计算图。正确做法是：
- 用
self.model获取模型引用，但只做推理（如保存中间特征），避免反向传播操作 - 验证数据需提前传入：在
__init__中接收x_val,y_val，并在on_epoch_end中手动调用self.model.evaluate(x_val, y_val, verbose=0) - 若需访问当前 batch 数据，必须在
on_batch_begin中通过self.model.train_function.inputs获取——但这属于私有 API，不稳定；更可靠的方式是改用tf.data.Dataset并在构建时注入额外逻辑
为什么自定义 on_train_end 有时不执行
常见于训练被异常中断（Ctrl+C、OOM、EarlyStopping 触发中断），此时 TensorFlow 不保证调用 on_train_end。解决方案：
- 关键清理逻辑（如关闭文件句柄、上传日志）必须同时放在
on_train_end和__del__中 - 使用
try...finally包裹model.fit()，并在 finally 块中显式调用回调的清理方法 - 不要依赖
on_train_end保存最终模型权重——改用ModelCheckpoint回调，它由 C++ 后端保障执行
最易被忽略的是：回调实例必须作为列表传入 fit(callbacks=[...])，单独传入（如 callbacks=my_callback）会导致静默忽略；且多个回调之间无执行顺序保证，依赖顺序的逻辑（如先记录指标再保存模型）应合并到同一个回调类中。
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！
