在Keras中，回調函數是在訓練過程中的特定時間點調用的函數，用于監控模型的性能、調整學習率、保存模型等操作。使用回調函數可以在訓練過程中實時監控模型的性能，并根據需要進行一些操作。
要使用回調函數，首先需要定義一個回調函數的類，并實現對應的方法。Keras已經提供了一些內置的回調函數，比如ModelCheckpoint用于保存模型，EarlyStopping用于提前停止訓練等。
然后，在訓練模型時，通過callbacks參數將定義的回調函數傳遞給fit方法，如下所示：
from keras.callbacks import ModelCheckpoint
# 定義回調函數
checkpoint = ModelCheckpoint(filepath='model.h5', monitor='val_loss', save_best_only=True)
# 訓練模型
model.fit(X_train, y_train, validation_data=(X_val, y_val), callbacks=[checkpoint])
在上面的例子中，ModelCheckpoint回調函數會在每個epoch結束時監測驗證集上的損失值，并保存性能最好的模型到model.h5文件中。
除了內置的回調函數，還可以自定義回調函數。通過繼承keras.callbacks.Callback類，并重寫對應的方法來實現自定義的回調函數。
總之，回調函數是在訓練過程中非常有用的工具，可以幫助我們監控模型的性能，調整參數，保存模型等操作。
