官网解释
回调函数是一组在训练的特定阶段被调用的函数集，你可以使用回调函数来观察训练过程中网络内部的状态和统计信息。通过传递回调函数列表到模型的.fit()中，即可在给定的训练阶段调用该函数集中的函数。
ModelCheckpoint:
该回调函数将在每个epoch后保存模型到filepath
keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss',
verbose=0, save_best_only=False,
save_weights_only=False, mode='auto', period=1)
- filepath:字符串，保存模型的路径和名称。
- monitor='val_loss'：需要监视的值。默认是验证集损失。
- verbose=0：信息展示模式，0或1。
- save_best_only=False：当设置为True时，将只保存在验证集上性能最好的模型。
- save_weights_only=False：若设置为True，则只保存模型权重，否则将保存整个模型（包括模型结构，配置信息等）。
- mode：‘auto’，‘min’，‘max’之一，在save_best_only=True时决定性能最佳模型的评判准则，例如，当监测值为val_acc时，模式应为max，当检测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断。
- period=1：CheckPoint之间的间隔的epoch数。（epoch指整个数据集（所有batch全部更新完1次）被训练的轮次）。
ReduceLROnPlateau：
当学习停滞时，减少2倍或10倍的学习率常常能获得较好的效果。该回调函数检测指标的情况，如果在patience个epoch中看不到模型性能提升，则减少学习率。学习率对模型训练的影响解释
keras.callbacks.ReduceLROnPlateau(monitor='val_loss',
factor=0.1, patience=10, verbose=0, mode='auto',
epsilon=0.0001, cooldown=0, min_lr=0)
- monitor：被监测的量。默认是val_loss
- factor：每次减少学习率(lr)的因子，学习率将以lr = lr*factor的形式被减少
- patience：当patience个epoch过去而模型性能不提升时，学习率减少的动作会被触发
- mode：‘auto’，‘min’，‘max’之一，如果观测值是val_loss，那么当它不再减少（对应min）时改变lr
- epsilon：阈值，用来确定是否进入检测值的“平原区”。
- cooldown：学习率减少后，会经过cooldown个epoch才重新进行正常操作
- min_lr：学习率的下限
EarlyStopping：
当监测值monitor不再改善时，该回调函数将中止训练
keras.callbacks.EarlyStopping(monitor='val_loss', patience=0,
verbose=0, mode='auto')
- monitor：需要监视的量
- patience：当early stop被激活（如发现loss相比上一个epoch训练没有下降），则经过patience个epoch后停止训练。
- verbose：信息展示模式
- mode：‘auto’，‘min’，‘max’之一，在min模式下，如果检测值停止下降则中止训练。在max模式下，当检测值不再上升则停止训练。
yolov3代码->train.py涉及到的：
ModelCheckpoint：
checkpoint = ModelCheckpoint(log_dir + 'ep{epoch:03d}-
loss{loss:.3f}-val_loss{val_loss:.3f}.h5',
monitor='val_loss', save_weights_only=True,
save_best_only=True, period=3)
参数解释：
- filepath=log_dir + 'ep{epoch:03d}-loss{loss:.3f}-val_loss{val_loss:.3f}.h5'。保存的权值名字。
- monitor='val_loss', 检测val_loss的值。
- save_weights_only=True, 只保留模型权值
- save_best_only=True, 只保留性能最好的模型
- period=3。每3个epoch进行一次CheckPoint。
ReduceLROnPlateau：
reduce_lr = ReduceLROnPlateau(monitor='val_loss',
factor=0.1, patience=3, verbose=1)
参数解释：
- monitor='val_loss', 监测val_loss。如果在patience个epoch中val_loss没有下降，那么改变lr。
- factor=0.1, lr=lr*0.1
- patience=3, 持续三个epoch。
- verbose=1。
EarlyStopping：
early_stopping = EarlyStopping(monitor='val_loss',
min_delta=0, patience=10, verbose=1)
参数解释：
- monitor='val_loss', 监测值
- min_delta=0,
- patience=10, 如发现loss相比上一个epoch训练没有下降，则经过10个epoch后停止训练。说明模型存在过拟合问题。
- verbose=1
