(tensorflow)tf.keras.callbacks.ModelCheckpoint在训练期间保存模型

在训练期间保存模型 

可以使用训练好的模型而无需从头开始重新训练，或在您打断的地方开始训练，以防止训练过程没有保存。

 tf.keras.callbacks.ModelCheckpoint 允许在训练的过程中和结束时回调保存的模型。tf.keras.callbacks.ModelCheckpoint对象是回调对象，该回调对象可以在每一个周期保存模型 

实例化方法：

tf.keras.callbacks.ModelCheckpoint(
    filepath, monitor='val_loss', verbose=0, save_best_only=False,
    save_weights_only=False, mode='auto', save_freq='epoch', **kwargs
)

Arguments:

• filepath:字符串类型，储存模型的路径

• monitor: 监视指标val_acc或者val_loss

• verbose: 日志模型, 0 或者 1.

• save_best_only: 布尔型，如果为true，根据监视指标，最后一个最好的模型将不会被覆盖，如果filepath 没有包含格式化选项{epoch} ，保存的模型文件将会被新周期里更好的模型覆盖。

• mode: 可选填{'auto', 'min', 'max'}中的一个，如果save_best_only被设置为true，那么覆盖操作的执行，将根据监视指标和这个参数来决定，比如max val_acc 和min val_loss ，如果被天填auto则会跟俊监视指标指定选择max 还是min

• save_weights_only: 如果参数为真，则只保存模型的权值，而非整个模型，这个参数只要影响该回调对象是调用(model.save_weights(filepath)方法还是调用model.save(filepath).

• save_freq: 填写epoch或者一个数字，如果是epoch时，回调会在每个epoch之后保存模型。当使用integer时，回调将在处理n个样本后保存模型，默认是'epoch'

例如：

checkpoint_path = "training_1/cp.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)
 
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,
                                                 save_weights_only=True,
                                                 verbose=1)
history = model.fit(x_train, y_train,
                    batch_size=64,
                    epochs=10, callbacks=[cp_callback])

Train on 60000 samples
Epoch 1/10
58304/60000 [============================>.] - ETA: 0s - loss: 0.3180
Epoch 00001: saving model to training_1/cp.ckpt
60000/60000 [==============================] - 9s 150us/sample - loss: 0.3145
Epoch 2/10
58432/60000 [============================>.] - ETA: 0s - loss: 0.1484
Epoch 00002: saving model to training_1/cp.ckpt
60000/60000 [==============================] - 2s 32us/sample - loss: 0.1476

版权声明：本文为期权记的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://www.qiquanji.com/post/9668.html

微信扫码关注

更新实时通知