model.compile()を用いるとき，オプティマイザ（最適化アルゴリズム）に学習率を設定します。
optimizer = Adam(lr=0.01)
model.compile(loss='categorical_crossentropy',
optimizer=optimizer,
metrics=['accuracy'])lr=0.01が学習率です。
学習率は，いわば，学習の精度に関係する値であると見なすことができます。
これは，地図上である特定の場所を探す作業に例えることができます。あなたが，地図アプリでマンハッタンを見つけようとするとき，あなたの家の近隣が表示された地図では役に立たないでしょう。まず，アメリカ全体の地図を表示し，ニューヨーク州を探します。そして，ニューヨーク州を拡大し，海岸線に沿ってマンハッタンの小さな島を探すはずです。
学習率は地図の縮尺に似ています。初めは学習率を大きくし，正解に近い概ねの値を探します。そして正解に近づいたら学習率を小さくし，より厳密な正解の位置を特定していくのです。
ReduceLROnPlateau
from keras.callbacks import ReduceLROnPlateau
reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=2, min_lr=0.0001)ReduceLROnPlateauは与えられた条件に基づいて，学習率を小さくします。
monitor='val_loss'は検証データの損失関数を監視することを表します。val_loss を有効にするためには，model.fit()に検証データを与える必要があります。詳しくは，NLP(自然言語処理)訓練データと検証データを分けるを参照して下さい。
patience=2はval_lossが2epochにおいて改善しない場合，学習率を変更することを表します。factor=0.5は，例えば，初めの学習率が0.01のとき，次の学習率を0.005に変更することを表しています。
min_lr=0.0001は，学習率の最小値で，これ以上小さくなることはありません。
EarlyStopping
from keras.callbacks import EarlyStopping
EarlyStopping = EarlyStopping(monitor='val_loss', min_delta=0, patience=10, mode='auto')EarlyStoppingは訓練結果に改善が見られない場合，訓練を停止します。
monitor='val_loss'は検証データの損失関数を監視することを表します。min_deltaは与えられた絶対値より変化が小さい場合，改善していないと判定します。patience=10はval_lossが10epochにおいて改善しない場合，訓練を停止します。
modeは観測値の増加や減少を監視する方法を指定します。通常はautoにします。
最終的に，これらの機能はfit()のcallbacksで指定します。
model.fit(
......, callbacks=[EarlyStopping, reduce_lr])