目录
我们使用回调函数 tf.keras.callbacks.ModelCheckpoint()来保存检查点
我们先看一下这个回调函数的参数
- filepath 我们要保存文件的路径与名字
- monitor 监控指标,默认为val_loss
- verbose 是否显示,默认为0(不显示)
- save_best_only 是否只保存指标最好的(如果有更好的会替代掉之前的,如果没有就不保存)
- save_weights_only 是否只保存权重
- mode {auto,min,max}中的一个。如果“save\u best\u only=True”,则根据监控数量的最大化或最小化来决定覆盖当前保存文件。对于“val_acc”,该值应为“max”,对于“val_loss”,该值应为“min”,等等。在“自动”模式下,方向将自动从监控数量的名称推断出来。简单来讲就是如果指标为正确率,这里就应该写max,如果为损失,这里就应该写min,一般我们让其自动判断就行
- save_freq 保存频率,这个一般不用动,默认为epoch,每一个epoch保存一次
- options 如果“仅保存权重”为true,则可选“tf.train.CheckpointOptions”对象;如果“仅保存权重”为false,则可选“tf.saved\u model.SavedOptions”对象,一般不动,默认为None
下面我们在代码中使用ModelCheckpoint()
1 保存检查点
我们在model.fit之前定义回调函数,然后在model.fit中使用它
训练完之后我们会在同级目录下得到这三个文件
- 不是因为训练了三次才得到这三个文件,训练多少次都会得到这三个文件,后面的检查点把前面的检查点覆盖掉了
2 加载检查点
我们使用load_weights来加载检查点,参数为我们回调函数中的filepath
我们在加载前后分别加入一次评估,检验一下权重是否加载了进来
发现两次结果不一致,权重确实被加载进来了
3 保存整个模型
把save_weights_only取消就可以了
这次只生成all_model.h5这一个文件