我的callback ：from keras.callbacks import EarlyStopping my_early_stopping = EarlyStopping(monitor='val_loss', patience=10, verbose=1) my_early_stopping2 = EarlyStopping(monitor='loss', patience=10, verbose=1)

你的 `my_early_stopping` 和 `my_early_stopping2` 回调函数分别是在验证集上监控验证损失和在训练集上监控训练损失，如果损失在连续 `patience` 轮中没有下降，则停止训练。这是一个很好的方法来避免过拟合和提前停止训练，节省时间和计算资源。如果你想要更多的回调函数来监控模型的性能和进度，你可以尝试使用其他的 Keras 回调函数，例如：

- `ModelCheckpoint`: 用于定期保存模型权重和状态；
- `ReduceLROnPlateau`: 用于在损失停止下降时降低学习率；
- `TensorBoard`: 用于可视化模型的性能和进度；
- `CSVLogger`: 用于将训练历史记录写入 CSV 文件。

你可以根据需要选择适合你的回调函数，并将它们传递给 `model.fit()` 函数的 `callbacks` 参数中。例如：

callbacks = [
    EarlyStopping(monitor='val_loss', patience=10, verbose=1),
    ModelCheckpoint(filepath='my_model.h5', monitor='val_loss', save_best_only=True),
    ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=5, verbose=1),
    TensorBoard(log_dir=log_dir),
    CSVLogger(filename='my_log.csv')
]
model.fit(x_train, y_train, epochs=epochs, batch_size=batch_size, validation_split=0.2, callbacks=callbacks)

在这个例子中，`filepath` 是模型权重的保存路径，`factor` 是学习率降低的因子，`log_dir` 是 TensorBoard 的日志目录，`filename` 是 CSV 日志文件的保存路径。你可以根据需要使用不同的回调函数，并自定义它们的参数来满足你的需求。