ModelCheckpoint

[源代码]

ModelCheckpoint 类

keras.callbacks.ModelCheckpoint(
    filepath,
    monitor="val_loss",
    verbose=0,
    save_best_only=False,
    save_weights_only=False,
    mode="auto",
    save_freq="epoch",
    initial_value_threshold=None,
)

在一定频率下保存 Keras 模型或模型权重的回调。

ModelCheckpoint 回调与使用 model.fit() 进行的训练结合使用，以便在某个时间间隔保存模型或权重（在检查点文件中），这样模型或权重就可以在之后加载，以从保存的状态继续训练。

此回调提供的一些选项包括：

• 是否只保留迄今为止达到“最佳性能”的模型，或者无论性能如何，是否在每个 epoch 结束时保存模型。
• “最佳”的定义；要监控的数量以及它是应该被最大化还是最小化。
• 保存的频率。目前，该回调支持在每个 epoch 结束时保存，或者在固定的训练批次数量后保存。
• 是仅保存权重，还是保存整个模型。

示例

model.compile(loss=..., optimizer=...,
              metrics=['accuracy'])

EPOCHS = 10
checkpoint_filepath = '/tmp/ckpt/checkpoint.model.keras'
model_checkpoint_callback = keras.callbacks.ModelCheckpoint(
    filepath=checkpoint_filepath,
    monitor='val_accuracy',
    mode='max',
    save_best_only=True)

# Model is saved at the end of every epoch, if it's the best seen so far.
model.fit(epochs=EPOCHS, callbacks=[model_checkpoint_callback])

# The model (that are considered the best) can be loaded as -
keras.models.load_model(checkpoint_filepath)

# Alternatively, one could checkpoint just the model weights as -
checkpoint_filepath = '/tmp/ckpt/checkpoint.weights.h5'
model_checkpoint_callback = keras.callbacks.ModelCheckpoint(
    filepath=checkpoint_filepath,
    save_weights_only=True,
    monitor='val_accuracy',
    mode='max',
    save_best_only=True)

# Model weights are saved at the end of every epoch, if it's the best seen
# so far.
model.fit(epochs=EPOCHS, callbacks=[model_checkpoint_callback])

# The model weights (that are considered the best) can be loaded as -
model.load_weights(checkpoint_filepath)

参数

• filepath：string 或 PathLike，模型文件的保存路径。filepath 可以包含命名的格式化选项，这些选项将由 epoch 的值和 logs 中的键（在 on_epoch_end 中传递）填充。当 save_weights_only=True 时，filepath 名称需要以 ".weights.h5" 结尾，或者在检查点保存整个模型时（默认）需要以 ".keras" 或 ".h5" 结尾。例如：如果 filepath 是 "{epoch:02d}-{val_loss:.2f}.keras" 或 "{epoch:02d}-{val_loss:.2f}.weights.h5"`，则模型检查点将以 epoch 号和验证损失作为文件名保存。filepath 的目录不应被任何其他回调复用，以避免冲突。
• monitor：要监控的度量名称。通常，度量是通过 Model.compile 方法设置的。注意：
  • 在名称前加上 "val_" 以监控验证度量。
  • 使用 "loss" 或 "val_loss" 来监控模型的总损失。
  • 如果将度量指定为字符串，例如 "accuracy"，则传递相同的字符串（带或不带 "val_" 前缀）。
  • 如果传递 metrics.Metric 对象，则 monitor 应设置为 metric.name。
  • 如果您不确定度量名称，可以检查 history = model.fit() 返回的 history.history 字典的内容。
  • 多输出模型会在度量名称上设置额外的（val_）前缀。
• verbose：详细程度模式，0 或 1。模式 0 为静默模式，模式 1 在回调执行操作时显示消息。
• save_best_only：如果 save_best_only=True，则仅在模型被视为“最佳”时保存，并且根据监控的数量，最新的最佳模型不会被覆盖。如果 filepath 不包含 {epoch} 等格式化选项，那么 filepath 将会被每个新的更优模型覆盖。
• mode：{"auto", "min", "max"} 中的一个。如果 save_best_only=True，则决定是否覆盖当前保存文件的依据是监控数量的最小化或最大化。对于 val_acc，这应该是 "max"；对于 val_loss，这应该是 "min"，依此类推。在 "auto" 模式下，方向会自动从监控数量的名称推断出来。
• save_weights_only：如果为 True，则只保存模型的权重（model.save_weights(filepath)），否则保存整个模型（model.save(filepath)）。
• save_freq："epoch" 或整数。使用 "epoch" 时，回调在每个 epoch 后保存模型。使用整数时，回调在此数量的批次后保存模型。如果 Model 使用 steps_per_execution=N 进行编译，则每 N 个批次检查一次保存标准。请注意，如果保存与 epoch 不对齐，监控的度量可能不太可靠（它可能只反映 1 个批次，因为度量会在每个 epoch 重置）。默认为 "epoch"。
• initial_value_threshold：要监控的度量的浮点初始“最佳”值。仅在 save_best_value=True 时适用。仅当当前模型的性能优于此值时，才会覆盖已保存的模型权重。