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_begin
• on_train_end
• on_epoch_begin
• on_epoch_end
• on_batch_begin
• on_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_data validate数据集
• self.validation_data[0] 为X
• self.validation_data[1] 为y