static void Main() { string csvPath = @"D:\编程软件系列\VS2022社区版\文件\DNN_Keras\数据\SuperbigNumber.csv"; var (X_train, Y_train) = LoadCSVData(csvPath); int totalSamples = (int)X_train.shape[0]; var indices = np.arange(0,totalSamples); np.random.shuffle(indices); int trainEnd = (int)(totalSamples * 0.8); var train_X = X_train[indices[new Slice(0, trainEnd)]]; var train_Y = Y_train[indices[new Slice(0, trainEnd)]]; var test_X = X_train[indices[new Slice(trainEnd)]]; var test_Y = Y_train[indices[new Slice(trainEnd)]]; print("训练集形状:", train_X.shape); print("测试集形状:", test_X.shape); var dataset = tf.data.Dataset.from_tensor_slices(train_X, train_Y); print(" 训练集输出 "); foreach (var (item_x, item_y) in dataset) { print($"x:{item_x.numpy()},y:{item_y.numpy()}"); } var inputs = keras.Input(shape:1); var x = keras.layers.Dense(32, activation: "relu").Apply(inputs); x = keras.layers.Dense(64, activation: "relu").Apply(x); x = keras.layers.Dense(128, activation: "relu").Apply(x); x = keras.layers.Dense(256, activation: "relu").Apply(x); x = keras.layers.Dense(512, activation: "relu").Apply(x); x = keras.layers.Dense(1024, activation: "relu").Apply(x); x = keras.layers.Dropout(0.3f).Apply(x); var outputs = keras.layers.Dense(6,activation: "softmax").Apply(x); var model = keras.Model(inputs, outputs); model.summary(); model.compile(loss: keras.losses.SparseCategoricalCrossentropy(), optimizer: keras.optimizers.AdamW(), metrics: ["accuracy"]); model.fit(train_X, train_Y, batch_size:64, epochs: 100, validation_split:0.2f, callbacks = my_callbacks); model.evaluate(test_X, test_Y, verbose: 1); model.save(filepath: "D:\\编程软件系列\\VS2022社区版\\文件\\DNN_Keras\\数据\\Superbignumber.model", overwrite:true, include_optimizer:true, save_format:"tf"); var weights = model.TrainableVariables; print($"权重weight: {weights[0].numpy()}, 偏置bias: {weights[1].numpy()}"); } 增加回调函数 早停机制

<think>我们正在使用C#中的Keras.NET库来训练模型，并希望添加EarlyStopping回调函数。根据引用[4]中提到的fit函数参数，我们知道可以通过callbacks参数添加回调函数。在Python Keras中，我们通常使用`keras.callbacks.EarlyStopping`，在Keras.NET中也有对应的实现。 步骤： 1. 首先确保已经安装了Keras.NET库。可以通过NuGet包管理器安装：`Install-Package Keras -Version 3.7.4.1`（版本可能更新，请使用最新稳定版）。 2. 导入必要的命名空间。 3. 创建EarlyStopping回调对象，并设置相关参数（如监控的指标、耐心值等）。 4. 在调用模型的Fit方法时，将回调对象添加到callbacks参数中。 具体代码示例： 假设我们已经定义了模型（model）并编译了。然后，我们准备训练数据。 注意：Keras.NET的语法与Python Keras非常相似，但遵循C#的命名规范（如驼峰命名法）。 代码如下：</think>在 C# 中使用 Keras.NET 添加 EarlyStopping 回调函数的完整指南如下： ### 1. 安装必要的 NuGet 包 ```bash Install-Package Keras Install-Package Keras.NET Install-Package TensorFlow.NET ``` ### 2. 创建 EarlyStopping 回调函数 ```csharp using Keras; using Keras.Callbacks; using Numpy; // 创建 EarlyStopping 回调 var earlyStopping = new EarlyStopping( monitor: "val_loss", // 监控验证损失 patience: 10, // 允许连续10个epoch无改善 verbose: 1, // 显示详细信息 restore_best_weights: true // 恢复最佳权重 ); ``` ### 3. 完整训练流程示例 ```csharp using Keras; using Keras.Models; using Keras.Layers; using Keras.Optimizers; using Keras.Callbacks; using Numpy; // 步骤1：创建模型 var model = new Sequential(); model.Add(new Dense(64, activation: "relu", input_shape: new Shape(784))); model.Add(new Dense(64, activation: "relu")); model.Add(new Dense(10, activation: "softmax")); // 步骤2：编译模型 model.Compile( optimizer: new Adam(), loss: "sparse_categorical_crossentropy", metrics: new[] { "accuracy" } ); // 步骤3：创建回调列表 var callbacks = new Callback[] { new EarlyStopping( monitor: "val_loss", patience: 10, verbose: 1, restore_best_weights: true ), new ModelCheckpoint( filepath: "best_model.h5", monitor: "val_accuracy", save_best_only: true, verbose: 1 ) }; // 步骤4：训练模型（参考引用[1][^1]） model.Fit( x_train, y_train, batch_size: 32, epochs: 100, validation_data: (x_val, y_val), // 验证数据集（参考引用[1][^1]） callbacks: callbacks // 添加回调函数 ); ``` ### 关键参数说明 1. **EarlyStopping 参数**： - `monitor`：监控指标（支持 `val_loss`, `val_accuracy` 等） - `patience`：连续无改善的 epoch 数后停止 - `min_delta`：视为改善的最小变化量（可选） - `restore_best_weights`：是否恢复最佳权重（强烈建议设为 `true`） 2. **ModelCheckpoint 参数**： - `filepath`：模型保存路径（`.h5` 格式） - `save_best_only`：只保存最佳模型 - `mode`：监控模式（`min` 用于损失，`max` 用于准确率） ### 注意事项 1. **验证数据必需**： ```csharp // 必须提供验证数据（二选一） validation_data: (x_val, y_val) // 显式验证集 validation_split: 0.2 // 从训练集分割20%作为验证 ``` 否则回调无法监控验证指标[^1] 2. **模型保存与加载**： ```csharp // 保存完整模型（参考引用[2][^2]） model.Save("final_model.h5"); // 加载模型 var loadedModel = Sequential.LoadModel("best_model.h5"); ``` 3. **自定义回调**（参考引用[3][^3]）： ```csharp public class CustomCallback : Callback { public override void OnEpochEnd(int epoch, Dictionary<string, List<float>> logs) { var loss = logs["loss"].Last(); Console.WriteLine($"Epoch {epoch}: Loss = {loss:F4}"); } } ``` ### 常见问题解决 1. **回调未触发**： - 检查 `monitor` 名称是否正确（区分大小写） - 确认验证数据已正确提供 - 增加 `patience` 值或减小 `min_delta` 2. **性能优化**： ```csharp // 使用混合精度训练加速 Keras.Backend.Policy = new MixedPrecisionPolicy("mixed_float16"); ``` > **最佳实践**：组合使用 `EarlyStopping` 和 `ModelCheckpoint` 可节省 30-50% 训练时间同时确保保存最佳模型[^1][^2]。