学習率を下げるコードを導入するとエポックが途中で停止してしまう

Question

前提

現在深層学習を用いてシステム開発を行っています。
言語:python ライブラリ:keras
https://analytics-note.xyz/machine-learning/reduce-lr-on-plateau/
このサイトを参考に学習率を下げるコードを書いて実行するとエポックが途中で止まった状態で結果を出力してしまいます。
エポックが途中で止まってしまう問題としてどのようなことが考えられるかご存知の方がいればお願いします。

該当のソースコード

import os
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
from matplotlib import pyplot as plt
import tensorflow as tf
from tensorflow.keras.layers import Conv1D,LSTM,Dense,Input
#from tensorflow.keras.models import Model
from tensorflow.keras.models import Sequential
from tensorflow.keras.utils import plot_model
import pandas as pd
from tensorflow.keras.callbacks import ReduceLROnPlateau
#from tensorflow.keras.preprocessing import image
from tensorflow.keras.callbacks import EarlyStopping
#シーケンスに沿ったデータを作成する関数--------------------------------------------------------
def make_dataset():
    for i in range(1,21):
        for j in range(13,21):
            path="E:\\最強データ2_フレーム揃え\\all\\Actor_"+str(i)+"\\LSTM\\合体"+str(j)+".csv"
            df=pd.read_csv(path,index_col=0,header=0)
            df.pop("AU01_r")
            df.pop("AU04_r")
            df.pop("AU07_r")
            df.pop("AU05_r")
            df.pop("AU12_r")
            df.pop("AU15_r")
            df.pop("AU23_r")
            yy=df["AU06_r"]             
            yyy=yy.values.astype(float)
            yyy_seikika=preprocessing.minmax_scale(yyy)
            df.pop("AU06_r")
            
            data = df.values.astype(float)
            ms = preprocessing.MinMaxScaler()
            data_seikika=ms.fit_transform(data)
            
            x.append(data_seikika)
            y.append(yyy_seikika)
    
    return np.array(x), np.array(y)


x=list()
y=list()
x,y= make_dataset()

x_train, x_valid, y_train, y_valid = train_test_split(x, y, test_size = 0.1)

model = Sequential()
model.add( tf.keras.layers.Input(shape=(111,129)))
model.add( tf.keras.layers.LSTM(129, return_sequences=True))

model.add(Conv1D(111, 16, padding='same', input_shape=(111, 129), activation='relu'))
model.add(Conv1D(111, 16, padding='same', activation='relu'))
model.add(Conv1D(32, 16, padding='same', activation='relu'))
model.add(Conv1D(1, 16, padding='same', activation='tanh'))

model.add( tf.keras.layers.Dense(100, activation='linear') ) 
model.add( tf.keras.layers.Dense(80, activation='linear') )
model.add( tf.keras.layers.Dense(50, activation='linear') ) 
model.add( tf.keras.layers.Dense(30, activation='linear') ) 
model.add( tf.keras.layers.Dense(20, activation='linear') ) 
model.add( tf.keras.layers.Dense(10, activation='linear') ) 
model.add( tf.keras.layers.Dense(1, activation='linear') ) 

plot_model(model, to_file='model_conv&dense.png', show_shapes=True)
          
          
adam=tf.keras.optimizers.Adam(lr=0.01)
early_stopping = EarlyStopping(
                        monitor='val_loss',
                        min_delta=0.0,
                        patience=10,
                )

# val_lossの改善が2エポック見られなかったら、学習率を0.5倍する。
reduce_lr = ReduceLROnPlateau(
                        monitor='val_loss',
                        factor=0.5,
                        patience=2,
                        min_lr=0.0001
            )


model.compile(
    optimizer = adam,#最適化アルゴリズム
    loss = "mse",#損失関数
    metrics = ["mae"]#評価関数
)

plot_model(model)
history=model.fit(
    x_train, y_train,
    epochs = 512,
    batch_size = 32,
    verbose=2,
    validation_data = (x_valid, y_valid),
    callbacks=[early_stopping, reduce_lr]
)

pred = model.predict(x_valid)


t=list()
for i in range(1,112):
    t.append(i)


plt.plot(history.history['loss']) # 訓練データの値 
plt.plot(history.history['val_loss']) # テストデータの値 
plt.title('Model loss') # グラフのタイトル 
plt.ylabel('Loss') # グラフのY軸ラベル 
plt.xlabel('Epoch') # グラフのX軸ラベル 
plt.legend(['Train', 'Test'], loc='upper left') # 凡例の表示
plt.show() # グラフを表示する



for i in range(0,12):
    fig_size = plt.rcParams['figure.figsize']#グラフのサイズを決める変数
    fig_size[0] = 5
    fig_size[1] = 5
    plt.rcParams['figure.figsize'] = fig_size

    plt.title('Number of AU06')#グラフタイトル
    plt.ylabel('AU06')#y軸の値
    plt.grid(True)#グラフにグリッド線を引く
    plt.autoscale(axis='x', tight=True)#グラフの自動スケーリング
    
    plt.plot(t,y_valid[i],label='jissokuti')#実測値の値を持ってくる
    plt.plot(t, pred[i], label = "predict")#予測値の値を持ってくる
    plt.legend()#凡例を表示してくれる
    plt.show()

Answer 1

↘️⬇️↙️
➡️😢⬅️
↗️⬆️↖️

このように、学習率が低すぎると、くぼみにはまって抜け出せなくなる。

Answer 2

その途中停止の効果は，ReduceLROnPlateauのものではなく，EarlyStoppingによるものです．このCallbacksを外せば，設定したEpochまで学習が動作します．もちろん，適切にEarlyStoppingかけたほうが汎化性能が高い状態で学習を終了できるのは間違いないです．