深度学习之早停策略EarlyStopping以及保存测试集准确率最高的模型ModelCheckpoint

在训练神经网络时，如果epochs设置的过多，导致最终结束时测试集上模型的准确率比较低，而我们却想保存准确率最高时候的模型参数，这就需要用到Early Stopping以及ModelCheckpoint。

一.早停策略之EarlyStopping

EarlyStopping是用于提前停止训练的callbacks，callbacks用于指定在每个epoch开始和结束的时候进行哪种特定操作。简而言之，就是可以达到当测试集上的loss不再减小（即减小的程度小于某个阈值）的时候停止继续训练。

1.EarlyStopping的原理

1.将数据分为训练集和测试集
2.每个epoch结束后（或每N个epoch后)： 在测试集上获取测试结果，随着epoch的增加，如果在测试集上发现测试误差上升，则停止训练；
3.将停止之后的权重作为网络的最终参数。

这儿就有一个疑惑，在平常模型训练时，会发现模型的loss值有时会出现降低再上升再下降的情况，难道只要再上升的时候就要停止嘛？上升之后再下降有可能会得到更低的loss值，那么如果只要上升就停止的话，就会得不偿失。现实肯定不是这样的！不能根据一两次的连续降低就判断不再提高。一般的做法是，在训练的过程中，记录到目前为止最好的测试集精度，当连续10次epoch（或者更多次）没达到最佳精度时，则可以认为精度不再提高了。

看图直观感受一下：

2.EarlyStopping的优缺点

优点：只运行一次梯度下降，我们就可以找出w的较小值，中间值和较大值。而无需尝试L2正则化超级参数lambda的很多值。
缺点：不能独立地处理以上两个问题，使得要考虑的东西变得复杂

3.参数解释

tf.keras.callbacks.EarlyStopping(
    monitor="acc",
    min_delta=0,
    patience=0,
    verbose=0,
    mode="max",
    baseline=None,
    restore_best_weights=False,
)

1.monitor: 监控的数据接口，有’acc’,’val_acc’,’loss’,’val_loss’等等。正常情况下如果有验证集，就用’val_acc’或者’val_loss’。

2.mode: 就’auto’, ‘min’, ‘,max’三个可能。如果知道是要上升还是下降，建议设置一下。例如监控的是’acc’，那么就设置为’max’。

3.min_delta：增大或减小的阈值，只有大于这个部分才算作改善（监控的数据不同，变大变小就不确定）。这个值的大小取决于monitor，也反映了你的容忍程度。

4.patience：能够容忍多少个epoch内都没有改善。patience的大小和learning rate直接相关。在learning rate设定的情况下，前期先训练几次观察抖动的epoch number，patience设置的值应当稍大于epoch number。在learning rate变化的情况下，建议要略小于最大的抖动epoch number。

5.baseline：监控数据的基线值，如果在训练过程中，模型训练结果相比于基线值没有什么改善的话，就停止训练。

二.ModelCheckpoint

函数原型：

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

参数解释

1.filename：字符串，保存模型的路径，filepath可以是格式化的字符串，里面的占位符将会被epoch值和传入on_epoch_end的logs关键字所填入。
例如：filepath = “weights_{epoch:03d}-{val_loss:.4f}.h5”，则会生成对应epoch和测试集loss的多个文件。

2.monitor：需要监视的值，通常为：val_acc 、 val_loss 、 acc 、 loss四种。

3.verbose：信息展示模式，0或1。为1表示输出epoch模型保存信息，默认为0表示不输出该信息。

4.save_best_only：当设置为True时，将只保存在测试集上性能最好的模型。

5.mode：‘auto’，‘min’，‘max’之一，在save_best_only=True时决定性能最佳模型的评判准则，例如，当监测值为val_acc时，模式应为max，当检测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断。

6.save_weights_only：若设置为True，则只保存模型权重，否则将保存整个模型（包括模型结构，配置信息等）。

7.period：CheckPoint之间的间隔的epoch数。

三.样例示范

from tensorflow.keras.callbacks import ModelCheckpoint, Callback, EarlyStopping

earlystopper = EarlyStopping(
							monitor='loss', 
							patience=1, 
							verbose=1,
							mode = 'min')

checkpointer = ModelCheckpoint('best_model.h5',
                                monitor='val_accuracy',
                                verbose=0,
                                save_best_only=True,
                                save_weights_only=True,
                                mode = 'max')
train_model  = model.fit(train_ds,
                  epochs=epochs,
                  validation_data=test_ds,
                  callbacks=[earlystopper, checkpointer]#<-看这儿)

努力加油a啊

参考链接：

https://blog.csdn.net/zwqjoy/article/details/86677030
https://blog.csdn.net/zengNLP/article/details/94589469