如何在Keras中保存訓練期間保存的模型列表（僅保存最佳）？

Question

我正在使用Modelcheckpoint功能根據“僅保存最佳”條件保存模型。

file_name = str(datetime.datetime.now()).split(' ')[0] + f'{model_name}'+ '_{epoch:02d}.hdf5'

checkpoint_main = ModelCheckpoint(filename, monitor='val_acc', verbose=2,
                                save_best_only=True, save_weights_only=False,
                                mode='auto', period=1)

由於我使用的是“僅保存最佳”，因此只會保存某些時期。 我想收集實際保存的模型的路徑，並將它們保存到訓練結束時可以訪問的列表。 該列表將通過管道傳輸到其他操作。

我嘗試查看源代碼，但是沒有看到返回列表的“ train_end”示例，因此我不確定在培訓結束時如何返回某些內容。

https://github.com/keras-team/keras/blob/master/keras/callbacks.py#L360

Answer 1

如果您要為每個時期存儲保存的模型的所有路徑，則可以使用Callback ，因為Callback只是一個python對象，可以收集數據。

例如，它可以在列表中存儲模型的路徑：

import datetime

class SaveEveryEpoch(Callback):
    def __init__(self, model_name, *args, **kwargs):
        self.model_checkpoint_paths = []
        self.model_name = model_name
        super().__init__(*args, **kwargs)

    def on_epoch_end(self, epoch, logs):
        # I suppose here it's a Functional model
        print(logs['acc'])
        path_to_checkpoint = (
            str(datetime.datetime.now()).split(' ')[0] 
            + f'_{self.model_name}'
            + f'_{epoch:02d}.hdf5'
        )
        self.model.save(path_to_checkpoint)
        self.model_checkpoint_paths.append(path_to_checkpoint)

• __init__初始化一個空列表並存儲模型基本名稱
• on_epoch_end在每個時期結束時保存模型； 還將模型路徑追加到模型路徑列表中

使用例

from keras.datasets import mnist
from keras.models import Model
from keras.layers import Dense, Input
import numpy as np

(X_tr, y_tr), (X_te, y_te) = mnist.load_data()
X_tr = (X_tr / 255.).reshape((60000, 784))
X_te = (X_te / 255.).reshape((10000, 784))


def binarize_labels(y):
    y_bin = np.zeros((len(y), len(np.unique(y)))) 
    y_bin[range(len(y)), y] = 1
    return y_bin

y_train_bin, y_test_bin = binarize_labels(y_tr), binarize_labels(y_te)

model = Sequential()
model.add(InputLayer((784,)))
model.add(Dense(784, activation='relu'))
model.add(Dense(256, activation='relu'))
model.add(Dense(10, activation='softmax'))

model = Model(inp, out)
model.compile(loss='categorical_crossentropy', optimizer='adam')

使用檢查點運行模型

checkpoints = SaveEveryEpoch('mnist_model')
history = model.fit(X_tr, y_train_bin, callbacks=[checkpoints], epochs=3)
# ... training progress ...
checkpoints.model_checkpoint_paths
Out:
['2019-02-06_mnist_model_00.hdf5',
 '2019-02-06_mnist_model_01.hdf5',
 '2019-02-06_mnist_model_02.hdf5']

ls輸出：

2019-02-06_mnist_model_00.hdf5
2019-02-06_mnist_model_01.hdf5
2019-02-06_mnist_model_02.hdf5

變化

修改on_epoch_end以創建一些可以按loss排序的集合，例如（ logs參數包含具有loss的字典和一個名為acc的度量（如果提供了某些度量）。 因此，您以后可以選擇損耗/度量值最小的模型：

class SaveEveryEpoch(Callback):
    def __init__(self, model_name, *args, **kwargs):
        self.model_checkpoints_with_loss = []
        self.model_name = model_name
        super().__init__(*args, **kwargs)

    def on_epoch_end(self, epoch, logs):
        # I suppose here it's a Functional model
        print(logs['acc'])
        path_to_checkpoint = (
            str(datetime.datetime.now()).split(' ')[0] 
            + f'_{self.model_name}'
            + f'_{epoch:02d}.hdf5'
        )
        self.model.save(path_to_checkpoint)
        self.model_checkpoints_with_loss.append((logs['loss'], path_to_checkpoint))

另外，您可以重載默認回調，例如ModelCheckpoint，以保存所有路徑，不僅是最佳模型，而且我想在這種情況下沒有必要。