最近在使用mxnet学习框架，数据集有很多，每个数据集的最优迭代数不同，每次都需要穷举逼近最优的跌代数，但是观测得到，每次快到最优迭代数的时候，精度总是逼近一个值，现在想如何精度到一个值的时候自动停止，附一段建模部分代码

print("Setting model...")
  data <- mx.symbol.Variable("data")
  fc1 <- mx.symbol.FullyConnected(data, name="fc1", num_hidden=500)
  act1 <- mx.symbol.Activation(fc1, name="relu1", act_type="sigmoid")
  fc2 <- mx.symbol.FullyConnected(act1, name="fc2", num_hidden=256)
  act2 <- mx.symbol.Activation(fc2, name="relu2", act_type="relu")
  fc3 <- mx.symbol.FullyConnected(act2, name="fc3", num_hidden=3)
  #act3 <- mx.symbol.Activation(fc3, name="relu3", act_type="relu")
  #fc4 <- mx.symbol.FullyConnected(act3, name="fc4", num_hidden=10)
  softmax <- mx.symbol.SoftmaxOutput(fc3, name="sm")

  devices <- mx.gpu()


  mx.set.seed(0)
  DNN_model <- mx.model.FeedForward.create(softmax, X=train.x, y=train.y,
                                           ctx=devices, num.round=170, array.batch.size=300,
                                           learning.rate=learning.rate, momentum=0.9, eval.metric=RE_evaluate,
                                           initializer=mx.init.uniform(0.01),
                                           epoch.end.callback=mx.callback.log.train.metric(100))

  preds <- predict(DNN_model, test)