Python tf.keras.callbacks.ModelCheckpoint用法及代碼示例

參數

• filepath string 或 PathLike ，保存模型文件的路徑。例如文件路徑 = os.path.join(working_dir, 'ckpt', file_name)。 filepath 可以包含命名格式選項，這些選項將填充 epoch 的值和 logs 中的鍵(在 on_epoch_end 中傳遞)。例如：如果 filepath 是 weights.{epoch:02d}-{val_loss:.2f}.hdf5 ，則模型檢查點將與文件名中的紀元號和驗證損失一起保存。文件路徑的目錄不應被任何其他回調重用以避免衝突。
• monitor 要監控的指標名稱。通常，指標由tf.keras.Model.compile方法。筆記：
  • 在名稱前加上 "val_ " 以監控驗證指標。
  • 使用"loss" 或“val_loss”來監控模型的總損失。

  • 如果您將指標指定為字符串，例如 "accuracy" ，請傳遞相同的字符串(帶或不帶 "val_" 前綴)。

  • 如果傳遞metrics.Metric 對象，monitor 應設置為metric.name

  • 如果您不確定指標名稱，您可以檢查 history = model.fit() 返回的 history.history 字典的內容

  • Multi-output 模型在指標名稱上設置額外的前綴。

• verbose 詳細模式，0 或 1。
• save_best_only 如果是save_best_only=True，則僅在模型被認為是"best"時保存，並且不會覆蓋根據監控數量的最新最佳模型。如果 filepath 不包含像 {epoch} 這樣的格式化選項，那麽 filepath 將被每個新的更好的模型覆蓋。
• mode

  {'auto'、'min'、'max'} 之一。如果 save_best_only=True ，則根據監控數量的最大化或最小化來決定是否覆蓋當前保存文件。對於 val_acc ，這應該是 max ，對於 val_loss 這應該是 min ，等等。

  在auto 模式下，如果監控的數量為'acc' 或以'fmeasure' 開頭，則模式設置為max，其餘數量設置為min。

• save_weights_only 如果為 True，則僅保存模型的權重(model.save_weights(filepath))，否則保存完整模型(model.save(filepath))。
• save_freq 'epoch' 或整數。使用 'epoch' 時，回調會在每個 epoch 後保存模型。使用整數時，回調將模型保存在這麽多批次的末尾。如果 Model 是用 steps_per_execution=N 編譯的，那麽將每第 N 批檢查一次保存條件。請注意，如果保存與 epoch 不一致，則監控的指標可能不太可靠(它可能隻反映 1 個批次，因為每個 epoch 都會重置指標)。默認為 'epoch' 。
• options 如果save_weights_only 為真，則可選tf.train.CheckpointOptions 對象；如果save_weights_only 為假，則可選tf.saved_model.SaveOptions 對象。
• initial_value_threshold 要監控的指標的浮點初始 "best" 值。僅適用於 save_best_value=True 。如果當前模型的性能優於此值，則僅覆蓋已保存的模型權重。
• **kwargs 向後兼容的附加參數。可能的鍵是 period 。