如何在Keras中检查深度学习模型（翻译）

本文翻译自：How to Check-Point Deep Learning Models in Keras

---

深度学习模型可能需要数小时，数天甚至数周才能进行训练。
如果意外停止运行，则可能会丢失大量工作。
在这篇文章中，您将了解如何使用Keras库在Python培训期间检查您的深度学习模型。
让我们开始吧。

• 2017年3月更新：Keras 2.0.2，TensorFlow 1.0.1和Theano 0.9.0的更新示例。
• 更新March / 2018：添加了备用链接以下载数据集，因为原始图像已被删除。

---

检验点神经网络模型
应用程序检查点是一种适用于长时间运行过程的容错技术。

这是一种在系统出现故障时采用系统状态快照的方法。如果出现问题，并非全部丢失。检查点可以直接使用，或者用作新运行的起点，从中断处开始。

在训练深度学习模型时，检查点是模型的权重。这些权重可用于按原样进行预测，或用作持续培训的基础。

Keras库通过回调API提供检查点功能。

ModelCheckpoint回调类允许您定义检查模型权重的位置，文件应如何命名以及在何种情况下创建模型的检查点。

API允许您指定要监控的度量标准，例如培训或验证数据集的丢失或准确性。您可以指定是否在最大化或最小化分数时寻求改进。最后，用于存储权重的文件名可以包含诸如纪元号或度量的变量。

然后，在模型上调用fit（）函数时，可以将ModelCheckpoint传递给训练过程。

注意，您可能需要安装h5py库以输出HDF5格式的网络权重。

---

检查点神经网络模型改进

检查点的良好用途是每次在训练期间观察到改进时输出模型权重。

下面的例子为皮马印第安人糖尿病二元分类问题创建了一个小型神经网络。该示例假设pima-indians-diabetes.csv文件位于您的工作目录中。

您可以从此处下载数据集：

皮马印第安人糖尿病数据集
该示例使用33％的数据进行验证。

只有在验证数据集（monitor ='val_acc’和mode =‘max’）的分类准确性有所提高时，才会设置检验点以保存网络权重。权重存储在一个文件中，该文件包含文件名中的分数（权重改进 - {val_acc = .2f} .hdf5）。

# Checkpoint the weights when validation accuracy improves
from keras.models import Sequential
from keras.layers import Dense
from keras.callbacks import ModelCheckpoint
import matplotlib.pyplot as plt
import numpy
# fix random seed for reproducibility
seed = 7
numpy.random.seed(seed)
# load pima indians dataset
dataset = numpy.loadtxt("pima-indians-diabetes.data.csv", delimiter=",")
# split into input (X) and output (Y) variables
X = dataset[:,0:8]
Y = dataset[:,8]
# create model
model = Sequential()
model.add(Dense(12, input_dim=8, kernel_initializer='uniform', activation='relu'))
model.add(Dense(8, kernel_initializer='uniform', activation='relu'))
model.add(Dense(1, kernel_initializer='uniform', activation='sigmoid'))
# Compile model
model