Esta página foi traduzida pela API Cloud Translation.
Switch to English

tf.keras.callbacks.LambdaCallback

TensorFlow 1 versão Ver fonte no GitHub

Callback para a criação de simples, chamadas de retorno personalizados on-the-fly.

Herda de: Callback

Usado nos cadernos

Usado nos tutoriais

Este retorno é construído com funções anônimas que serão chamados no momento apropriado. Note-se que os retornos de chamada espera argumentos posicionais, como:

  • on_epoch_begin e on_epoch_end esperar dois argumentos posicionais: epoch , logs
  • on_batch_begin e on_batch_end esperar dois argumentos posicionais: batch , logs
  • on_train_begin e on_train_end esperar um posicionais argumentos: logs

on_epoch_begin chamado no início de cada época.
on_epoch_end chamada no final de cada época.
on_batch_begin chamado no início de cada lote.
on_batch_end chamada no final de cada lote.
on_train_begin chamado no início do treinamento do modelo.
on_train_end chamado no final do treinamento do modelo.

Exemplo:

 # Print the batch number at the beginning of every batch.
batch_print_callback = LambdaCallback(
    on_batch_begin=lambda batch,logs: print(batch))

# Stream the epoch loss to a file in JSON format. The file content
# is not well-formed JSON but rather has a JSON object per line.
import json
json_log = open('loss_log.json', mode='wt', buffering=1)
json_logging_callback = LambdaCallback(
    on_epoch_end=lambda epoch, logs: json_log.write(
        json.dumps({'epoch': epoch, 'loss': logs['loss']}) + '\n'),
    on_train_end=lambda logs: json_log.close()
)

# Terminate some processes after having finished model training.
processes = ...
cleanup_callback = LambdaCallback(
    on_train_end=lambda logs: [
        p.terminate() for p in processes if p.is_alive()])

model.fit(...,
          callbacks=[batch_print_callback,
                     json_logging_callback,
                     cleanup_callback])
 

Métodos

set_model

Ver fonte

set_params

Ver fonte