`keras.callbacks.Callback` ~~~ on_epoch_begin #在每輪開始時被調用 on_epoch_end #在每輪結束時被調用 　 on_batch_begin #在處理每個批量之前被調用 on_batch_end #在處理每個批量之后被調用 　 on_train_begin #在訓練開始時被調用 on_train_end #在訓練結束時被調用 ~~~ 調函數中，那么可以編寫你自己的回調函數。回調函數的實現方式是創建`keras.callbacks.Callback`類的子類。然后你可以實現下面這些方法（從名稱中即可看出這些方法的作用），它們分別在訓練過程中的不同時間點被調用。 ~~~ on_epoch_begin ←------ 在每輪開始時被調用 on_epoch_end ←------ 在每輪結束時被調用 　 on_batch_begin ←------ 在處理每個批量之前被調用 on_batch_end ←------ 在處理每個批量之后被調用 　 on_train_begin ←------ 在訓練開始時被調用 on_train_end ←------ 在訓練結束時被調用 ~~~ 這些方法被調用時都有一個`logs`參數，這個參數是一個字典，里面包含前一個批量、前一個輪次或前一次訓練的信息，即訓練指標和驗證指標等。此外，回調函數還可以訪問下列屬性。 * `self.model`：調用回調函數的模型實例。 * `self.validation_data`：傳入`fit`作為驗證數據的值。 下面是一個自定義回調函數的簡單示例，它可以在每輪結束后將模型每層的激活保存到硬盤（格式為 Numpy 數組），這個激活是對驗證集的第一個樣本計算得到的。 ~~~ import keras import numpy as np class ActivationLogger(keras.callbacks.Callback): def set_model(self, model): self.model = model #在訓練之前由父模型調用，告訴回調函數是哪個模型在調用它 layer_outputs = [layer.output for layer in model.layers] self.activations_model = keras.models.Model(model.input, layer_outputs) #模型實例，返回每層的激活 def on_epoch_end(self, epoch, logs=None): if self.validation_data is None: raise RuntimeError('Requires validation_data.') validation_sample = self.validation_data[0][0:1] #獲取驗證數據的第一個輸入樣本 activations = self.activations_model.predict(validation_sample) f = open('activations_at_epoch_' + str(epoch) + '.npz', 'w') #（以下3行）將數組保存到硬盤 np.savez(f, activations) f.close() ~~~