在 TensorFlow 和 Keras 中，可以使用回呼 (callbacks) 來在訓練週期結束時觸發某些操作。回呼是一個類似於函數的物件，可以在訓練過程中的特定時間點被調用。這篇文章說明如何在 `model.fit()` 掛上 `ModelCheckpoint` 與 `EarlyStopping`，讓訓練自動保存權重、自動提前停止。
什麼是 Keras callbacks？為什麼需要它？
回呼 (callbacks) 是一個類似於函數的物件，Keras 會在訓練過程中的特定時間點（例如每個 epoch 結束時、每個 batch 之後）自動呼叫它。常見用途包括：
- ModelCheckpoint：在訓練的某個時間點保存模型的權重，避免訓練中斷就前功盡棄。
- EarlyStopping：在訓練達到一定的準確率（或驗證損失不再改善）後停止訓練，避免 overfitting、也節省時間。
要讓回呼在訓練週期結束時被觸發，只需要在調用 `fit()` 或 `fit_generator()` 時，把它們加進 `callbacks` 參數即可。
ModelCheckpoint 與 EarlyStopping 完整程式碼範例
```python
from keras.callbacks import ModelCheckpoint, EarlyStopping
callbacks = [ModelCheckpoint('model.h5'), EarlyStopping(monitor='val_loss', patience=2)]
model.fit(X_train, y_train, epochs=10, callbacks=callbacks, validation_data=(X_val, y_val))
```
這段程式會在訓練結束後儲存權重，並在驗證損失（`val_loss`）連續 2 個 epoch 停止改善後提早結束訓練。
幾個常用參數整理：
| 回呼 | 關鍵參數 | 作用 |
|---|---|---|
| `ModelCheckpoint` | 檔案路徑、`save_best_only` | 每個 epoch 結束時把權重寫入指定檔案 |
| `EarlyStopping` | `monitor`、`patience` | 監控指定指標，連續 `patience` 次沒有改善就停止訓練 |
如何自訂 callback 或組合多個回呼？
callbacks 可以根據需求進行自訂——繼承 `keras.callbacks.Callback` 並覆寫 `on_epoch_end()` 等方法，就能在訓練週期結束時執行任何自訂邏輯（例如記錄 log、動態調整 learning rate）。也可以像上面的範例一樣，把多個回呼放進同一個 list 結合使用，組合出複雜的訓練流程，例如「儲存最佳權重 + 提前停止 + 學習率衰減」同時運作。
延伸閱讀
- Keras model.fit() 參數設定：batch_size、epochs、validation 與 callbacks 怎麼用？
- Keras 建立模型並預測資料：從 Sequential 到 model.predict 的完整流程
- 如何使用 TensorBoard 觀察模型效能
常見問題
Keras 的 callback 是什麼？
callback 是一個類似函數的物件，Keras 會在訓練過程的特定時間點（epoch 結束、batch 結束等）自動呼叫它，用來插入保存權重、提早停止訓練等操作。
EarlyStopping 的 patience 參數是什麼意思？
patience 表示允許被監控指標（如 `val_loss`）連續幾個 epoch 沒有改善。上面的範例設 `patience=2`，代表驗證損失連續 2 次不再下降就停止訓練。
ModelCheckpoint 一定要搭配 EarlyStopping 嗎？
不需要，兩者可以獨立使用。不過實務上常一起掛：ModelCheckpoint 負責保存權重，EarlyStopping 負責在不再進步時結束訓練，組合起來既省時又不會丟失最佳模型。
如何在 Keras 中寫自己的 callback？
繼承 `keras.callbacks.Callback` 並覆寫 `on_epoch_end()`、`on_train_begin()` 等方法，寫入想執行的邏輯，再把它加進 `model.fit()` 的 `callbacks` list 即可。
參考資料
最後更新
2026-08-28（原文發布於 2023-01-11，本文保留原始筆記內容並補上 GEO 結構。）
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2023-01-11