在model.compile中当val_accuracy两个epoch没有增加的时候动态调整学习率

可以使用Keras的EarlyStopping和ReduceLROnPlateau回调函数来实现当val_accuracy两个epoch没有增加的时候动态调整学习率的功能。

EarlyStopping回调函数可以在训练过程中监控模型的性能，并在满足一定条件时停止训练。ReduceLROnPlateau回调函数可以在val_accuracy停滞不前时动态地调整学习率。

下面是一个例子，演示如何使用这两个回调函数来实现当val_accuracy两个epoch没有增加的时候动态调整学习率的功能：

from keras.callbacks import EarlyStopping, ReduceLROnPlateau
from keras.optimizers import Adam

model.compile(optimizer=Adam(lr=0.001), loss='categorical_crossentropy', metrics=['accuracy'])

early_stop = EarlyStopping(monitor='val_accuracy', patience=2, verbose=1, mode='max')
reduce_lr = ReduceLROnPlateau(monitor='val_accuracy', factor=0.1, patience=2, verbose=1, mode='max', min_lr=0.0001)

model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_val, y_val), callbacks=[early_stop, reduce_lr])

在上面的例子中，使用EarlyStopping回调函数来监控val_accuracy指标，并设置patience参数为2，表示当val_accuracy连续两个epoch没有增加时就停止训练。使用ReduceLROnPlateau回调函数来动态调整学习率，设置factor参数为0.1，表示将学习率降低为原来的0.1倍。同时将patience参数也设置为2，表示当val_accuracy连续两个epoch没有增加时就降低学习率。在fit函数中将这两个回调函数作为callbacks参数传递给模型即可。