在每个training/epoch/batch结束时，如果我们想执行某些任务，例如模型缓存、输出日志、计算当前的auc等等，Keras中的callback就派上用场了。
Example 记录每个batch的损失函数值
import keras
# 定义callback类
class MyCallback(keras.callbacks.Callback):
def on_train_begin(self, logs={}):
self.losses = []
return
def on_batch_end(self, batch, logs={}): # batch 为index, logs为当前batch的日志acc, loss...
self.losses.append(logs.get('loss'))
return
# 定义模型model
...
...
# 调用callback
cb = MyCallback()
# 训练模型
model.fit(x_train, y_train, batch_size=32, epochs=10, callbacks=[cb])
# 查看callback内容
cb.losses
如上述例子，我们可以继承keras.callbacks.Callback来定义自己的callback,只需重写其中的6个方法即可
on_train_beginon_train_endon_epoch_beginon_epoch_endon_batch_beginon_batch_end
可在这6个方法中定义自己想要的属性，通过self.model可以访问模型本身，self.params可以访问训练参数。
可能有用的属性
-
self.validation_datavalidate数据集 -
self.validation_data[0]为X -
self.validation_data[1]为y
