Метод set_model класса Callback

Метод set_model класса Callback привязывает модель Keras к колбэку. Он вызывается автоматически внутри метода fit перед началом обучения и сохраняет переданную модель в атрибуте self.model. Благодаря этому колбэк может обращаться к слоям, весам, оптимизатору и метрикам модели прямо во время тренировки. Первым параметром метод принимает саму модель, которую нужно привязать. Самостоятельно вызывать этот метод нужно только при ручном управлении циклом обучения.

Синтаксис

callback.set_model(model)

Пример

Давайте создадим собственный колбэк, переопределим в нём метод set_model и проверим, что модель успешно привязалась:

import tensorflow as tf

class MyCallback(tf.keras.callbacks.Callback):
	def set_model(self, model):
		super().set_model(model)
		print("model attached:", model.name)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
], name="my_model")

callback = MyCallback()
callback.set_model(model)

Результат выполнения кода:

"model attached: my_model"

Пример

Давайте обучим модель с колбэком, который в методе on_epoch_end обращается к привязанной модели через self.model:

import tensorflow as tf

tf.random.set_seed(0)

class InspectCallback(tf.keras.callbacks.Callback):
	def on_epoch_end(self, epoch, logs=None):
		weights = self.model.get_weights()
		print("epoch:", epoch, "| weights:", weights)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(1,))
])
model.compile(optimizer="sgd", loss="mse")

x = tf.constant([[1.0], [2.0], [3.0], [4.0]])
y = tf.constant([[2.0], [4.0], [6.0], [8.0]])

model.fit(x, y, epochs=2, verbose=0, callbacks=[InspectCallback()])

Результат выполнения кода:

epoch: 0 | weights: [array([[0.30214643]], dtype=float32), array([0.01391602], dtype=float32)]
epoch: 1 | weights: [array([[0.67210084]], dtype=float32), array([0.03047276], dtype=float32)]

Смотрите также

класс Callback,
который является базовым классом для всех колбэков
метод set_params,
который привязывает параметры обучения к колбэку
метод on_train_begin,
который вызывается в начале обучения модели
метод on_epoch_end,
который вызывается в конце каждой эпохи обучения