earlystopping默认配置常失效，关键在参数设置：需显式提供validation_data、依任务选monitor（分类常用val_loss、回归必用val_loss）、合理设patience与min_delta（如min_delta=1e-4）、启用restore_best_weights=true。
TensorFlow 的 tf.keras.callbacks.EarlyStopping 能直接生效，但默认配置在多数真实训练中会失效——关键不是“能不能用”，而是“怎么设参数才不白停”。
为什么 val_loss 没降却触发了早停？
默认 monitor='val_loss'，但如果你没在 model.fit() 里传 validation_data 或 validation_split，val_loss 根本不会计算，回调会静默忽略，或报 ValueError: Not found: val_loss。更隐蔽的情况是：你用了 validation_split=0.2，但数据没打乱（shuffle=False），导致验证集全是同类样本，val_loss 波动剧烈，patience=0 就停了。
- 务必确认训练时显式提供了验证信号：传
validation_data=(x_val, y_val)最稳妥 - 避免依赖
validation_split处理时序/分布敏感数据（如时间序列、类别极度不均衡） - 用
verbose=1看每 epoch 输出，确认val_loss列有数值，而非-或nan
monitor 选 val_loss 还是 val_accuracy？
选哪个取决于任务目标和评估瓶颈。分类任务中，val_loss 下降通常比 val_accuracy 更敏感——尤其当类别不平衡时，准确率可能卡在 95% 不动，但 val_loss 还在缓慢下降；反过来，如果模型过拟合严重，val_loss 已上扬，val_accuracy 却因阈值巧合还在微涨，这时盯 val_accuracy 会晚停 5–10 个 epoch。
- 回归任务必须用
monitor='val_loss'，val_accuracy无定义 - 多分类 + 标签平滑（label smoothing）时，
val_loss更稳定，val_accuracy易受预测置信度扰动 - 若监控
val_f1_score等自定义指标，需先用tf.keras.metrics.F1Score注册，并确保monitor='val_f1_score'（注意名称匹配）
patience 和 min_delta 怎么配才不早停也不死扛？
patience 不是“忍多少轮”，而是“连续多少轮没改进就停”；min_delta 是改进的最小阈值，默认 0，意味着只要 val_loss 降了 0.0000001 就算改进——这在浮点噪声下几乎总成立，导致早停失效。实际中，min_delta=1e-4 对 loss、min_delta=1e-3 对 accuracy 更合理。
- 小数据集（patience=5，
min_delta=5e-4，避免噪声触发 - 大数据集（>50k）或 batch_size > 1024：loss 波动小，可收紧
min_delta=1e-5，patience=10 - 配合
restore_best_weights=True，否则停时权重未必是最佳的
真正容易被忽略的是：早停只看最后一次验证结果，不累计历史最优。如果验证集太小或分布偏移，单次 val_loss 可能失真——这时得靠 ModelCheckpoint 配合人工挑权重，而不是全信 EarlyStopping 的停机点。
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！
