一、概述

        训练深度学习模型既简单又复杂。因为使用 TensorFlow（特别是tensorflow.keras）这样的库非常容易上手。但是，虽然创建第一个模型很容易，但在知道自己在做什么的同时对其进行微调则要复杂一些。

        比如，您需要了解有关监督学习过程、梯度下降或其他优化、正则化以及许多其他影响因素。

        因此，洞察正在发生的事情和自动化控制是调整深度学习模型非常重要的一点，以避免浪费时间进行人工干预。在 Keras 中，这可以通过tensorflow.keras.callbacksAPI 来实现。在本文中，我们将更详细地研究回调。我们将首先通过展示它们在监督机器学习过程中的作用来说明它们是什么。然后，我们介绍回调 API - 并针对每个回调，用示例说明它可以用于什么。最后，我们将展示如何使用tensorflow.keras.callbacks.Base该类创建自己的回调。

二、回调的作用

        训练监督机器学习模型流程大致如下：

        1、机器学习模型（通常是神经网络）被初始化。

        2、训练集中的样本通过模型前馈，从而产生一组预测。

        3、将预测与训练样本对应的标签进行比较，产生一个值（损失值）告诉我们模型预测和真值的差距。

        4、基于损失值和随后的误差反向计算，进行权重微调，以期望模型表现得更好一些。然后，我们要么回到第 2 步，要么停止训练过程。

        训练流程示意图如下