ModelCheckpoint和自定义回调函数（on_epoch_end）

ModelCheckpoint和自定义回调函数（on_epoch_end）区别

根据keras中文文档ModelCheckpoint的作用是：在每个训练期之后保存模型。

keras.callbacks.ModelCheckpoint(filepath, monitor='val_loss', verbose=0, save_best_only=False, save_weights_only=False, mode='auto', period=1)

filepath 可以包括命名格式选项，可以由 epoch 的值和 logs 的键（由 on_epoch_end 参数传递）来填充。

例如：如果 filepath 是 weights.{epoch:02d}-{val_loss:.2f}.hdf5， 那么模型被保存的的文件名就会有训练轮数和验证损失。

参数

filepath: 字符串，保存模型的路径。
monitor: 被监测的数据。
verbose: 详细信息模式，0 或者 1 。
save_best_only: 如果 save_best_only=True， 被监测数据的最佳模型就不会被覆盖。
mode: {auto, min, max} 的其中之一。 如果 save_best_only=True，那么是否覆盖保存文件的决定就取决于被监测数据的最大或者最小值。 对于 val_acc，模式就会是 max，而对于 val_loss，模式就需要是 min，等等。 在 auto 模式中，方向会自动从被监测的数据的名字中判断出来。
save_weights_only: 如果 True，那么只有模型的权重会被保存 (model.save_weights(filepath))， 否则的话，整个模型会被保存 (model.save(filepath))。
period: 每个检查点之间的间隔（训练轮数）。
（来自keras中文文档）传送门

可能会有人疑惑那下面这段代码是做什么的

def get_lowest_loss():
    import re
    pattern = 'model.(?P<epoch>\d+)-(?P<val_acc>[0-9]*\.?[0-9]*).hdf5'
    p = re.compile(pattern)
    loss = [float(p.match(f).groups()[1]) for f in os.listdir('models/') if p.match(f)]
    if len(loss) == 0:
        import sys
        return sys.float_info.min
    else:
        return np.min(loss)
        
 class MyCbk(keras.callbacks.Callback):
       def __init__(self, model):
           keras.callbacks.Callback.__init__(self)
           self.model_to_save = model
#这段代码就是自定义回调函数的ModelCheckpoint的功能，on_epoch_end继承自keras.callbacks.Callback类
#的方法，即每次epoch结束时调用里面的代码   
       def on_epoch_end(self, epoch, logs=None):
            fmt = checkpoint_models_path + 'model.%02d-%.4f.hdf5'
            highest_acc = get_lowest_loss()
            if float(logs['val_loss']) > highest_acc:
                self.model_to_save.save(fmt % (epoch, logs['val_loss']))

上面代码的功能可以用下面这句话替代,两者的功能都是在一次epoch结束时保存val_loss最小的模型参数。

    model_names = checkpoint_models_path + 'model.{epoch:02d}-{val_loss:.4f}.hdf5'
    model_checkpoint = ModelCheckpoint(model_names, monitor='val_loss', verbose=1, save_best_only=True)