keras这个框架简洁优美，设计上堪称典范。而tensorflow就显得臃肿庞杂，混乱不清。当然，keras的周边部件比如callbacks、datasets、preprocessing有许多过度设计的感觉，但是keras的核心是好的，这个设计完美的核心使得这个系统可扩展性极强、代码逻辑性极强。然而，其中因为依旧有一些小细节，一旦理解不透，就会对keras的原理有“神奇”之感，比如本文接下来要讲的这个问题：callbacks中的stop_training。
keras的Model#fit()函数接受一个callback列表，在训练的不同阶段会触发callback的不同操作。其中这些阶段包括：
- 训练开始和结束
- 批次开始和结束
- 轮次开始和结束
callback列表中的元素都是Callback的派生类的实例。每个Callback派生类都可以选择性的重写以上六个函数。
其中callback中常用的一种操作是：callback_model.stop_training=True or False。
callback_model是每个Callback实例的成员变量，它对应的类型也就是Model。
但是Model并没有stop_training这个成员变量，Model继承自Network，Network也没有这个成员变量。stop_training这个属性唯一出现的两个地方就是：callbacks.py中定义回调接口的时候，train_array.py执行训练操作的时候。
这个属性仿佛从天而降、无中生有。
实际上，Model的父类Network实现了__setattr__函数，这样就可以随意往Network上“悬挂”变量了，Model当然也继承了这样的特点。