ModelCheckpoint自动保存模型

-- coding: utf-8 --

import tensorflow as tf
import json
import tensorflow.keras.models
from tensorflow.keras.callbacks import *
#这是独立的包
import tensorflow.keras
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation=‘relu’),
tf.keras.layers.Dense(10, activation=‘softmax’)
])

model.compile(optimizer=‘adam’,
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False),
metrics=[‘sparse_categorical_accuracy’])

#Callbacks用于指定在每个epoch或batch开始和结束的时候进行哪种特定操作
‘’’
参数monitor可以设置{‘val_accuracy’，‘val_loss’，‘accuracy’，‘loss’}。
如果设置监测{‘val_accuracy’，‘accuracy’}，那么模型的准确率大于最大{‘val_accuracy’，‘accuracy’}的时候就会保存模型；
如果设置监测{‘val_loss’，‘loss’}，那么模型loss小于最小{‘val_loss’，‘loss’}的时候就会保存模型。
‘’’

ModelCheckpoint用于自动保存模型

filepath可以设置模型保存位置以及模型信息，epoch表示训练周期数，val_accuracy表示验证集准确值

monitor可选{‘val_accuracy’,‘val_loss’,‘accuracy’,‘loss’},一般’val_accuracy’用得比较多

verbose=1表示保存模型的时候打印信息

save_best_only=True表示只保存>best_val_accuracy的模型

CSVLogger也是callbacks，用于生成模型训练的log

‘’’
loss：训练集损失值

accuracy:训练集准确率

val_loss:测试集损失值

val_accruacy:测试集准确率
‘’’
#保存变量名需与训练时变量名一致
callbacks = [
ModelCheckpoint(filepath=‘C:/Users/25360/Desktop/model/’+’{epoch:02d}-{sparse_categorical_accuracy:.4f}.h5’,
monitor=‘val_sparse_categorical_accuracy’,
verbose=1,
save_best_only=True)
]
model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test),
validation_freq=1,callbacks=callbacks)
model.summary()