Python tf.keras.callbacks.ModelCheckpoint用法及代码示例

参数

• filepath string 或 PathLike ，保存模型文件的路径。例如文件路径 = os.path.join(working_dir, 'ckpt', file_name)。 filepath 可以包含命名格式选项，这些选项将填充 epoch 的值和 logs 中的键(在 on_epoch_end 中传递)。例如：如果 filepath 是 weights.{epoch:02d}-{val_loss:.2f}.hdf5 ，则模型检查点将与文件名中的纪元号和验证损失一起保存。文件路径的目录不应被任何其他回调重用以避免冲突。
• monitor 要监控的指标名称。通常，指标由tf.keras.Model.compile方法。笔记：
  • 在名称前加上 "val_ " 以监控验证指标。
  • 使用"loss" 或“val_loss”来监控模型的总损失。

  • 如果您将指标指定为字符串，例如 "accuracy" ，请传递相同的字符串(带或不带 "val_" 前缀)。

  • 如果传递metrics.Metric 对象，monitor 应设置为metric.name

  • 如果您不确定指标名称，您可以检查 history = model.fit() 返回的 history.history 字典的内容

  • Multi-output 模型在指标名称上设置额外的前缀。

• verbose 详细模式，0 或 1。
• save_best_only 如果是save_best_only=True，则仅在模型被认为是"best"时保存，并且不会覆盖根据监控数量的最新最佳模型。如果 filepath 不包含像 {epoch} 这样的格式化选项，那么 filepath 将被每个新的更好的模型覆盖。
• mode

  {'auto'、'min'、'max'} 之一。如果 save_best_only=True ，则根据监控数量的最大化或最小化来决定是否覆盖当前保存文件。对于 val_acc ，这应该是 max ，对于 val_loss 这应该是 min ，等等。

  在auto 模式下，如果监控的数量为'acc' 或以'fmeasure' 开头，则模式设置为max，其余数量设置为min。

• save_weights_only 如果为 True，则仅保存模型的权重(model.save_weights(filepath))，否则保存完整模型(model.save(filepath))。
• save_freq 'epoch' 或整数。使用 'epoch' 时，回调会在每个 epoch 后保存模型。使用整数时，回调将模型保存在这么多批次的末尾。如果 Model 是用 steps_per_execution=N 编译的，那么将每第 N 批检查一次保存条件。请注意，如果保存与 epoch 不一致，则监控的指标可能不太可靠(它可能只反映 1 个批次，因为每个 epoch 都会重置指标)。默认为 'epoch' 。
• options 如果save_weights_only 为真，则可选tf.train.CheckpointOptions 对象；如果save_weights_only 为假，则可选tf.saved_model.SaveOptions 对象。
• initial_value_threshold 要监控的指标的浮点初始 "best" 值。仅适用于 save_best_value=True 。如果当前模型的性能优于此值，则仅覆盖已保存的模型权重。
• **kwargs 向后兼容的附加参数。可能的键是 period 。