Keras - ModelCheckpoint

通过监控数量来定期保存模型。

记录的每个指标：

        meth:`~pytorch_lightning.core.lightning.log` or         meth:`~pytorch_lightning.core.lightning.log_dict`

LightningModule是监视器键的候选。

        训练结束后，使用:attr: ' best_model_path '来检索最佳检查点文件的路径，使用:attr: ' best_model_score '来检索它的分数。

def __init__(
        self,
        dirpath: Optional[_PATH] = None,
        filename: Optional[str] = None,
        monitor: Optional[str] = None,
        verbose: bool = False,
        save_last: Optional[bool] = None,
        save_top_k: int = 1,
        save_weights_only: bool = False,
        mode: str = "min",
        auto_insert_metric_name: bool = True,
        every_n_train_steps: Optional[int] = None,
        train_time_interval: Optional[timedelta] = None,
        every_n_epochs: Optional[int] = None,
        save_on_train_epoch_end: Optional[bool] = None,
    ):

参数解释：

        Dirpath:模型文件存放的路径；（默认情况下，dirpath为' ' None ' '，并将在运行时设置为:class: ' ~pytorch_lightning.trainer.trainer.Trainer' 指定的位置。）

# custom path
# saves a file like: my/path/epoch=0-step=10.ckpt
>>> checkpoint_callback = ModelCheckpoint(dirpath='my/path/')

        filename:检查点文件名。可以包含自动填充的命名格式选项。

# save any arbitrary metrics like `val_loss`, etc. in name
                # saves a file like: my/path/epoch=2-val_loss=0.02-other_metric=0.03.ckpt
                >>> checkpoint_callback = ModelCheckpoint(
                ...     dirpath='my/path',
                ...     filename='{epoch}-{val_loss:.2f}-{other_metric:.2f}'
                ... )

        monitor: 量监控。默认情况下，它是' ' None ' '，它只保存检查点的最后一个时期；

        verbose: verbosity mode. Default: ``False``；

        save_last:当' ' True ' '时，将检查点的精确副本保存到文件' last '。Ckpt '每当检查点文件被保存。这允许以确定的方式访问最新的检查点。默认值:' '没有' '

        Save_top_k:如果' ' Save_top_k == k '，根据监控的数量，保存最好的k。如果' ' save_top_k == 0 ' '，则不保存任何模型。如果' ' save_top_k == -1 ' '，则保存所有模型。

        save_weights_only:如果' ' True ' '，那么只有模型的权重会被保存。否则，优化器状态、lr调度器状态等也会添加到检查点中。

        every_n_train_steps:检查点之间的训练步骤数；

        every_n_epoch:检查点之间epoch的数量；

        save_on_train_epoch_end:是否在训练epoch结束时运行检查点。如果这是' ' False ' '，那么检查将在验证结束时运行。