6.3 使用回调函数在训练过程中保存模型

最新推荐文章于 2025-03-03 20:34:14 发布

EaHalen

最新推荐文章于 2025-03-03 20:34:14 发布

阅读量302

点赞数 1

分类专栏：六、卷积神经网络高级应用文章标签：深度学习

本文链接：https://blog.csdn.net/weixin_46994240/article/details/123941417

版权

六、卷积神经网络高级应用专栏收录该内容

12 篇文章

订阅专栏

本文介绍了如何在TensorFlow中使用ModelCheckpoint回调函数在训练过程中定期保存模型权重，以便在训练中断后能轻松恢复。通过实例演示了如何设置保存路径、配置回调，并展示如何加载已保存的权重进行继续训练或评估。

摘要由CSDN通过智能技术生成

在训练期间保存检查点

在训练期间或训练结束时自动保存检查点。这样一来，您便可以使用经过训练的模型，而无需重新训练该模型，或从上次暂停的地方继续训练，以防训练过程中断。

回调函数:

tf.keras.callbacks.ModelCheckpoint

checkpoint_path = 'training_cp/cp.ckpt'
cp_callback = tf.keras.callbacks.ModelCheckpoint(
    checkpoint_path,
    save_weights_only=True)


model = tf. keras.Sequential()
model.add(tf. keras.layers.Flatten(input_shape=(28,28)))# 28*28
model.add(tf. keras.layers.Dense(128,activation='relu'))
mode1.add(tf.keras.layers.Dense(10,activation='softmax'))I

mode1.compile(optimizer='adam’, loss='sparse_categorical_crossentropy',metrics=['acc'])
model.fit(train_image，train_label,epochs=3，callbacks=Icp_callback])

mode1.evaluate(test_image，test_label，verbose=0)


mode1.load_weights(checkpoint_path)