下面是一个简化的实现：

class ReduceLROnPlateau:
    def on_epoch_end(self):
        if current < self.best - self.min_delta:
            self.best = current
            self.wait = 0
            return

        self.wait += 1

        if self.wait >= self.patience:
            self.wait = 0
            self.drop_lr()

字符串
注意min_delta。它控制我们是否 * 检测到 * 新的最佳值。小的改进不会被检测到--它们会被忽略。如果我们击败了以前 * 检测到的 * 最佳值（这 * 不 * 一定是实际的最佳值！），那么我们重置wait计数器。
与EarlyStopping相同。
但是，请注意不同的选择：
| | | |
| --|--|--|
| ReduceLROnPlateau个|耐心=10| min_delta=0.0001|
| EarlyStopping个|耐心=0| min_delta=0|
所以. EarlyStopping对它认为的变化要宽松得多。如果损失下降 * 非常 * 平滑但单调，当它低于min_delta持续10个epoch时，我们仍然可以看到LR下降。在实践中，损失并不是那么平滑，如果它停止单调下降，EarlyStopping将终止训练。
这就是为什么你可能应该增加它的耐心，例如patience=11。另请参阅：PyTorch的ReduceLROnPlateau默认值。PyTorch也做相对增量，而不是绝对增量。
注意：PyTorch使用完全不同的参数值和算法，因此此解释仅适用于Keras。