先上代码：
import tensorflow as tf
from dataset import PoetryDataGenerator, poetry, tokenizer
from model import model
import settings
import utilsclass Evaluate(tf.keras.callbacks.Callback):"""在每个epoch训练完成后，保留最优权重，并随机生成settings.SHOW_NUM首古诗展示"""def __init__(self):super().__init__()# 给loss赋一个较大的初始值self.lowest = 1e10def on_epoch_end(self, epoch, logs=None):# 在每个epoch训练完成后调用# 如果当前loss更低，就保存当前模型参数if logs['loss'] <= self.lowest:self.lowest = logs['loss']model.save(settings.BEST_MODEL_PATH)# 随机生成几首古体诗测试，查看训练效果print(tokenizer.id_to_token((3)))print(tokenizer.id_to_token(2))print(tokenizer.id_to_token(1))print(tokenizer.id_to_token(0))for i in range(settings.SHOW_NUM):print(utils.generate_random_poetry(tokenizer, model))# 创建数据集
data_generator = PoetryDataGenerator(poetry, random=True)
# 开始训练
model.fit_generator(data_generator.for_fit(), steps_per_epoch=data_generator.steps, epochs=settings.TRAIN_EPOCHS,callbacks=[Evaluate()])
接下来我们开始分析代码：
class Evaluate(tf.keras.callbacks.Callback):
定义了一个回调类Evaluate，它是tf.keras.callbacks.Callback类的子类，回调函数是在训练的不同阶段调用的函数，用于执行额外的操作或监控模型的性能。
def __init__(self):super().__init__()# 给loss赋一个较大的初始值self.lowest = 1e10
这是Evaluate类的构造函数__init__(self)，在这个构造函数中，有以下操作：
- super().__init__():调用父类tf.keras.callbacks.Callback的构造函数，确保父类的初始化操作得到执行。
- self.lwest=1e10:将lowest属性初始化为一个较大的值1e10。这个属性用于跟踪最低的损失值。通常将其初始化为一个较大的值，确保在训练过程的初始阶段，任何较小的损失值都可以成为新的最新值。
def on_epoch_end(self, epoch, logs=None):# 在每个epoch训练完成后调用# 如果当前loss更低，就保存当前模型参数if logs['loss'] <= self.lowest:self.lowest = logs['loss']model.save(settings.BEST_MODEL_PATH)# 随机生成几首古体诗测试，查看训练效果print(tokenizer.id_to_token((3)))print(tokenizer.id_to_token(2))print(tokenizer.id_to_token(1))print(tokenizer.id_to_token(0))for i in range(settings.SHOW_NUM):print(utils.generate_random_poetry(tokenizer, model))
在TensorFlow的回调函数中，logs是一个字典，其中包含了训练过程中的各种指标和损失值。它提供了一些有关模型的信息，可以用于监控和记录训练的进程。我们初始化我们的logs为空值，也就是没有记录任何信息。
logs['loss']表示访问logs字典的loss键。（由于函数是在每个epoch训练完成之后使用，训练之后logs就保存了模型的信息）。同时，如果损失值低于我们的预设值（第一轮），就将最低损失值进行更新。
然后使用模型的save方法，将模型的各种参数都保存到我们给定的路径中去。
然后我们就输出SHOW_NUM首我们生成的古诗。
# 创建数据集 data_generator = PoetryDataGenerator(poetry, random=True) # 开始训练 model.fit_generator(data_generator.for_fit(), steps_per_epoch=data_generator.steps, epochs=settings.TRAIN_EPOCHS,callbacks=[Evaluate()])
这段代码调用PoetryDataGenerator类，我们将poetry传入模型，并进行随机打乱。
开始训练，使用fit_generator方法来训练模型。是模型对象的方法，用于使用生成器进行模型训练。它适用于数据较大无法一次加载到内存的情况，可以按照批次从生成器中获取数据进行训练。
steps_pre_epoch表示每个时钟周期加载多少个批次的数据进行训练。
callbacks=[Evaluate()]表示在训练模型过程中使用Evalute()函数，并将其作为一个回调函数传递给callbacks函数。回调函数是在训练的过程中特定时间被调用的函数，用于执行一些额外的操作，回调函数是在每个训练周期结束后被调用，在每轮训练的on_epoch_end事件中，回调函数会被触发并执行相应的操作。这意味着在每个训练周期结束时，回调函数会被调用用以执行自定义的评估操作。
