如下所示：

keras.callbacks.ModelCheckpoint(self.checkpoint_path,
verbose=0, save_weights_only=True,mode="max",save_best_only=True),

默認是每一次poch,但是這樣硬盤空間很快就會被耗光.

將save_best_only 設(shè)置為True使其只保存最好的模型,值得一提的是其記錄的acc是來自于一個monitor_op,其默認為"val_loss",其實現(xiàn)是取self.best為 -np.Inf. 所以,第一次的訓練結(jié)果總是被保存.

mode模式自動為auto 和 max一樣,還有一個min的選項...應(yīng)該是loss沒有負號的時候用的....

https://keras.io/callbacks/ 瀏覽上面的文檔.

# Print the batch number at the beginning of every batch.
batch_print_callback = LambdaCallback(
 on_batch_begin=lambda batch,logs: print(batch))
 
# Stream the epoch loss to a file in JSON format. The file content
# is not well-formed JSON but rather has a JSON object per line.
import json
json_log = open('loss_log.json', mode='wt', buffering=1)
json_logging_callback = LambdaCallback(
 on_epoch_end=lambda epoch, logs: json_log.write(
 json.dumps({'epoch': epoch, 'loss': logs['loss']}) + '\n'),
 on_train_end=lambda logs: json_log.close()
)
 
# Terminate some processes after having finished model training.
processes = ...
cleanup_callback = LambdaCallback(
 on_train_end=lambda logs: [
 p.terminate() for p in processes if p.is_alive()])
 
model.fit(...,
  callbacks=[batch_print_callback,
   json_logging_callback,
   cleanup_callback])

Keras的callback 一般在model.fit函數(shù)使用,由于Keras的便利性.有很多模型策略以及日志的策略.

比如 當loss不再變化時停止訓練

keras.callbacks.EarlyStopping(monitor='val_loss', min_delta=0, patience=0, verbose=0, mode='auto', baseline=None, restore_best_weights=False)

比如日志傳送遠程服務(wù)器等,以及自適應(yīng)的學習率scheduler.

確實很便利....

補充知識：keras callbacks常用功能如ModelCheckpoint、ReduceLROnPlateau,EarlyStopping等

ModelCheckpoint:

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

參數(shù)：

filename：字符串，保存模型的路徑（可以將模型的準確率和損失等寫到路徑中，格式如下：）

ModelCheckpoint('model_check/'+'ep{epoch:d}-acc{acc:.3f}-val_acc{val_acc:.3f}.h5',monitor='val_loss')

還可以添加損失值等如

‘loss{loss:.3f}-val_loss{val_loss:.3f}'

monitor:需要檢測的值如測試集損失或者訓練集損失等

save_best_only：當設(shè)置為True時，監(jiān)測值有改進時才會保存當前的模型

verbose：信息展示模式，0或1（當為1時會有如下矩形框的信息提示）

mode：‘a(chǎn)uto'，‘min'，‘max'之一，在save_best_only=True時決定性能最佳模型的評判準則，例如，當監(jiān)測值為val_acc時，模式應(yīng)為max，當監(jiān)測值為val_loss時，模式應(yīng)為min。在auto模式下，評價準則由被監(jiān)測值的名字自動推斷。

save_weights_only：若設(shè)置為True，則只保存模型權(quán)重，否則將保存整個模型

period：CheckPoint之間的間隔的epoch數(shù)

參考代碼如下：

在使用時傳遞給fit中callbacks即可

checkpoint = ModelCheckpoint(log_dir + "ep{epoch:03d}-loss{loss:.3f}- 
        val_loss{val_loss:.3f}.h5",
        monitor='val_loss', save_weights_only=True, 
        save_best_only=True, period=1)
train_history=model.fit_generator(data_generator_wrap(),
         steps_per_epoch=max(1, num_train//batch_size),
        validation_data=data_generator_wrap(),
        validation_steps=max(1, num_val//batch_size),
        epochs=40,
        initial_epoch=0,callbacks=[logging, reduce_lr,checkpoint])

ReduceLROnPlateau:

keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=10, verbose=0, mode='auto', epsilon=0.0001, cooldown=0, min_lr=0)

當評價指標不在提升時，減少學習率

當學習停滯時，減少2倍或10倍的學習率常常能獲得較好的效果。該回調(diào)函數(shù)檢測指標的情況，如果在patience個epoch中看不到模型性能提升，則減少學習率

參數(shù)

monitor：被監(jiān)測的量

factor：每次減少學習率的因子，學習率將以lr = lr*factor的形式被減少

patience：當patience個epoch過去而模型性能不提升時，學習率減少的動作會被觸發(fā)

mode：‘a(chǎn)uto'，‘min'，‘max'之一，在min模式下，如果檢測值觸發(fā)學習率減少。在max模式下，當檢測值不再上升則觸發(fā)學習率減少。

epsilon：閾值，用來確定是否進入檢測值的“平原區(qū)”

cooldown：學習率減少后，會經(jīng)過cooldown個epoch才重新進行正常操作

min_lr：學習率的下限

參考代碼如下：

reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3, verbose=1)
train_history = model.fit(data(),validation_data=datae_g(),epochs=40,callbacks=[logging, reduce_lr, checkpoint])
EarlyStopping
keras.callbacks.EarlyStopping(monitor='val_loss', patience=0, verbose=0, mode='auto')

當監(jiān)測值不再改善時，該回調(diào)函數(shù)將中止訓練

參數(shù)

monitor：需要監(jiān)視的量

patience：當early stop被激活（如發(fā)現(xiàn)loss相比上一個epoch訓練沒有下降），則經(jīng)過patience個epoch后停止訓練。

verbose：信息展示模式

mode：‘a(chǎn)uto'，‘min'，‘max'之一，在min模式下，如果檢測值停止下降則中止訓練。在max模式下，當檢測值不再上升則停止訓練。

以上這篇淺談keras.callbacks設(shè)置模型保存策略就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論