Сохранение лучшего val_loss с помощью обратных вызовов Keras

Я установил автоэнкодер шумоподавления для набора данных mnist на основе того, что обсуждается здесь: https://blog.keras.io/building-autoencoders-in-keras.html

Я пытаюсь увидеть, как реконструкция входных изображений меняется со временем; Я заметил, что иногда потери DAE резко возрастают (как для обучения, так и для проверки), например, от потери от ~ 0,12 до ~ 3,0. Чтобы избежать использования этих «ошибок» в процессе обучения, я пытаюсь использовать обратные вызовы Keras, сохраняя лучшие веса (с точки зрения val_loss) и загружая их после каждого «сегмента» обучения (= 10 эпох в моем случае).

Однако я получаю сообщение об ошибке:

File "noise_e_mini.py", line 71, in <module> callbacks=([checkpointer])) File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 1650, in fit validation_steps=validation_steps) File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 1145, in _fit_loop callbacks.set_model(callback_model) File "/usr/local/lib/python2.7/dist-packages/keras/callbacks.py", line 48, in set_model callback.set_model(model) AttributeError: 'tuple' object has no attribute 'set_model'

Мой код:

from keras.layers import Input, Dense
from keras.models import Model
from keras import regularizers
from keras.callbacks import ModelCheckpoint
input_img = Input(shape=(784,))

filepath_for_w='denoise_by_AE_weights_1.h5'


def autoencoder_block(input,l1_score_encode,l1_score_decode):


    #    encoder:
    encoded = Dense(256, activation='relu',activity_regularizer=regularizers.l1(l1_score_encode))(input_img)
    encoded = Dense(128, activation='relu',activity_regularizer=regularizers.l1(l1_score_encode))(encoded)
    encoded = Dense(64, activation='relu',activity_regularizer=regularizers.l1(l1_score_encode))(encoded)
    encoded = Dense(32, activation='relu',activity_regularizer=regularizers.l1(l1_score_encode))(encoded)

    encoder = Model (input=input_img, output=encoded)

    #    decoder:
    connection_layer= Input(shape=(32,))
    decoded = Dense(64, activation='relu',activity_regularizer=regularizers.l1(l1_score_decode))(connection_layer)
    decoded = Dense(128, activation='relu',activity_regularizer=regularizers.l1(l1_score_decode))(decoded)
    decoded = Dense(256, activation='relu',activity_regularizer=regularizers.l1(l1_score_decode))(decoded)
    decoded = Dense(784, activation='sigmoid',activity_regularizer=regularizers.l1(l1_score_decode))(decoded)

    decoder = Model (input=connection_layer , output=decoded)

    crunched = encoder(input_img)
    final = decoder(crunched)

    autoencoder = Model(input=input_img, output=final)
    autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')
    return (autoencoder)



from keras.datasets import mnist
import numpy as np
(x_train, y_train), (x_test, y_test) = mnist.load_data()


x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
x_train = x_train.reshape((len(x_train), np.prod(x_train.shape[1:])))
x_test = x_test.reshape((len(x_test), np.prod(x_test.shape[1:])))
print x_train.shape
print x_test.shape

noise_factor = 0.5

x_test_noisy = x_test + noise_factor * np.random.normal(loc=0.0, scale=1.0, size=x_test.shape) 
x_test_noisy = np.clip(x_test_noisy, 0., 1.)



autoencoder=autoencoder_block(input_img,0,0)

for i in range (10):

    x_train_noisy = x_train + noise_factor * np.random.normal(loc=0.0, scale=1.0, size=x_train.shape) 
    x_train_noisy = np.clip(x_train_noisy, 0., 1.)
    checkpointer=ModelCheckpoint(filepath_for_w, monitor='val_loss', verbose=0, save_best_only=True, save_weights_only=True, mode='auto', period=1),

    autoencoder.fit(x_train_noisy, x_train,
                epochs=10,
                batch_size=256,            
                shuffle=True,
                validation_data=(x_test_noisy, x_test),
                callbacks=([checkpointer]))
    autoencoder.load_weights(filepath_for_w)  # load weights from the best in the run

    decoded_imgs = autoencoder.predict(x_test_noisy) # save results for this stage for presentation
    np.save('decoded'+str(i)+'.npy',decoded_imgs)    ####

np.save('tested.npy',x_test_noisy)
np.save ('true_catagories.npy',y_test)
np.save('original.npy',x_test)


autoencoder.save('denoise_by_AE_model_1.h5')

Что я делаю неправильно? Большое спасибо :)