参考链接：

英文版原文：https://machinelearningmastery.com/check-point-deep-learning-models-keras/

keras文档回调函数：http://keras-cn.readthedocs.io/en/latest/other/callbacks/#modelcheckpoint

先看一下ModelCheckpoint的参数：

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

1. filename：字符串，保存模型的路径
2. monitor：需要监视的值，val_acc或这val_loss
3. verbose：信息展示模式，0为不打印输出信息，1打印
4. save_best_only：当设置为True时，将只保存在验证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

代码实现过程：

① 从keras.callbacks导入ModelCheckpoint类

from keras.callbacks import ModelCheckpoint

② 在训练阶段的model.compile之后加入下列代码实现每一次epoch（period=1）保存最好的参数

checkpoint = ModelCheckpoint(filepath,
    monitor='val_loss', save_weights_only=True,verbose=1,save_best_only=True, period=1)

提醒：filepath为保存参数的路径，我这里是"logs/000/trained_best_weights.h5"

③ 在训练阶段的model.fit之前加载先前保存的参数

if os.path.exists(filepath):
    model.load_weights(filepath)
    # 若成功加载前面保存的参数，输出下列信息
    print("checkpoint_loaded")

④ 在model.fit添加callbacks=[checkpoint]实现回调

model.fit_generator(data_generator_wrap(lines[:num_train], batch_size, input_shape, anchors, num_classes),
        steps_per_epoch=max(1, num_train//batch_size),
        validation_data=data_generator_wrap(lines[num_train:], batch_size, input_shape, anchors, num_classes),
        validation_steps=max(1, num_val//batch_size),
        epochs=3,
        initial_epoch=0,
        callbacks=[checkpoint])

测试输出：

① 第一次输出，没有参数可以加载，不会打印“checkpoint_loaded”,输出如下（测试epoch=3）

② 再次执行train.py,利用刚才的代码可以直接在model.fit之前加载保存前一次训练的参数，继续训练（loss的变化）。注意输出了“checkpoint_load”表示成功加载前面保存的参数

提示：参考链接中有简单的测试代码，以上仅在我的训练数据上的所做的测试，更多详细内容请阅读参考链接

The end.

keras ModelCheckpoint 实现断点续训功能

参考链接：

代码实现过程：

测试输出：

猜你喜欢