keras callback中的stop_training

keras這個框架簡潔優美，設計上堪稱典範。而tensorflow就顯得臃腫龐雜，混亂不清。固然，keras的周邊部件好比callbacks、datasets、preprocessing有許多過分設計的感受，可是keras的核心是好的，這個設計完美的核心使得這個系統可擴展性極強、代碼邏輯性極強。然而，其中由於依舊有一些小細節，一旦理解不透，就會對keras的原理有「神奇」之感，好比本文接下來要講的這個問題：callbacks中的stop_training。

keras的Model#fit()函數接受一個callback列表，在訓練的不一樣階段會觸發callback的不一樣操做。其中這些階段包括：

• 訓練開始和結束
• 批次開始和結束
• 輪次開始和結束

callback列表中的元素都是Callback的派生類的實例。每一個Callback派生類均可以選擇性的重寫以上六個函數。

其中callback中經常使用的一種操做是：callback_model.stop_training=True or False。

callback_model是每一個Callback實例的成員變量，它對應的類型也就是Model。

可是Model並無stop_training這個成員變量，Model繼承自Network，Network也沒有這個成員變量。stop_training這個屬性惟一出現的兩個地方就是：callbacks.py中定義回調接口的時候，train_array.py執行訓練操做的時候。

這個屬性彷彿從天而降、無中生有。

實際上，Model的父類Network實現了__setattr__函數，這樣就能夠隨意往Network上「懸掛」變量了，Model固然也繼承了這樣的特色。