早停

最终权重将被保存，而不是patience触发参数的权重。

查看EarlyStopping 的文档，它似乎在任何时候都没有涉及保存权重 - 没有提到。

编辑

经过进一步调查（阅读源代码），您似乎确实可以保存最好的，使用 EarlyStopper 回调

可以使用参数初始化该类restore_best_weights，如此处所示。然后在训练结束时，当您的等待时间超过耐心参数时，模型的权重将返回为最佳权重（最低验证损失时模型的权重：

if self.restore_best_weights:
    if self.verbose > 0:
        print("Restoring model weights from the end of the best epoch")
    self.model.set_weights(self.best_weights)

它通过跟踪所选指标并将其与记录的最佳值进行比较来做到这一点。默认情况下，这将是验证损失。查看课程代码和那里的课程描述。

如果这些参数不适用于您的代码，您将需要升级到最新版本（来自 GitHub 的 master 分支）。这个新参数是10 天前才添加的！

模型检查点

如果您想使用回调来防止过拟合，请查看ModelCheckpoint 回调类。这具有在训练期间的给定时间保存模型权重的选项，并允许您在 epoch 结束时保持模型的权重，特别是在验证损失最小的地方。这是使用save_best_only参数选择的 - 像这样使用它：

from keras.callbacks import EarlyStopper, ModelCheckpoint

checkpointer = ModelCheckpoint(filepath, monitor='val_loss', verbose=0,
                               save_best_only=False, save_weights_only=False,
                               mode='auto', period=1)

# your early stopper as before
early_stopper = ...

所有回调必须放在一个列表中：

my_callbacks = [checkpointer, early_stopper]

# pass to model along with other parameters as you did already
model.fit(..., callbacks=my_callbacks, ...)

如果您不使用save_best_only，则默认行为是在每个 epoch 结束时保存模型。

您可以filepath使用训练期间可用的某些动态变量来设置，以便文件名具有一些有用的信息：

例如 filepath is weights.{epoch:02d}-{val_loss:.2f}.hdf5

模型检查点将与文件名中的纪元号和验证损失一起保存。

查看链接文档以了解如何使用ModelCheckpoint.