Deep learning 使用预先训练的VGG16模型时无法保存权重

使用预先训练过的VGG16模型时，我无法保存最佳模型的权重。我使用以下代码：

checkpointer = [
                # Stop if the accuracy is not improving after 7 iterations
                EarlyStopping(monitor='val_loss', patience=3, verbose=1),
                # Saving the best model and re-use it while prediction 
                ModelCheckpoint(filepath="C:/Users/skumarravindran/Documents/keras_save_model/vgg16_v1.hdf5", verbose=1, monitor='val_acc', save_best_only=True),
                #            
]

我得到以下错误：

C:\Users\skumarravindran\AppData\Local\Continuum\Anaconda2\envs\py35gpu1\lib\site packages\keras\callbacks.py:405:RuntimeWarning:只能在val\u acc可用的情况下保存最佳模型，跳过。 “正在跳过”。%（self.monitor），运行时警告）

---

通过使用以下代码，您将能够根据精度保存最佳模型

请使用以下代码：

model.compile(loss='categorical_crossentropy', optimizer= 'adam',
          metrics=['accuracy'])

history = model.fit_generator(
    train_datagen.flow(x_train, y_train, batch_size=batch_size),
    steps_per_epoch=x_train.shape[0] // batch_size,
    epochs=epochs,
    callbacks=[ModelCheckpoint('VGG16-transferlearning.model', monitor='val_acc', save_best_only=True)]
)

---

我经历了两种出现此错误的情况：

引入自定义度量

使用多个输出

在这两种情况下，

acc

和

val_acc

都不计算。奇怪的是，Keras确实计算了总体

损失

和

valu损失

您可以通过在度量中添加

准确性
来纠正第一种情况，但我不确定这可能会有副作用。但是，在这两种情况下，您都可以在回调中自己添加
acc
和
val_acc
。我为多输出案例添加了一个示例，其中我创建了一个自定义回调，通过对输出层的所有val和val_acc进行平均，计算我自己的
acc
和
val_acc
结果

我有一个模型，末尾有5个密集的输出层，标记为D0..D4。一个历元的输出如下：

3540/3540 [==============================] - 21s 6ms/step - loss: 14.1437 - 
D0_loss: 3.0446 - D1_loss: 2.6544 - D2_loss: 3.0808 - D3_loss: 2.7751 -
D4_loss: 2.5889 - D0_acc: 0.2362 - D1_acc: 0.3681 - D2_acc: 0.1542 - D3_acc: 0.1161 - 
D4_acc: 0.3994 - val_loss: 8.7598 - val_D0_loss: 2.0797 - val_D1_loss: 1.4088 - 
val_D2_loss: 2.0711 - val_D3_loss: 1.9064 - val_D4_loss: 1.2938 - 
val_D0_acc: 0.2661 - val_D1_acc: 0.3924 - val_D2_acc: 0.1763 - 
val_D3_acc: 0.1695 - val_D4_acc: 0.4627

如您所见，它输出整体
损耗
和
val_损耗
，并且对于每个输出层：Di_损耗、Di_acc、val_Di_损耗和val_Di_acc，对于0..4中的i。所有这些都是
日志
字典的内容，它作为参数在回调的
on\u epoch\u begin
和
on\u epoch\u end
中传输。回调有更多的事件处理程序，但就我们的目的而言，这两个是最相关的。当您有5个输出（如我的情况）时，字典的大小是5乘以4（acc，loss，val_acc，val_loss）+2（loss+val_loss）

我所做的是计算所有精度和验证精度的平均值，将两项添加到
日志中
：

logs['acc'] = som_acc / n_accs
logs['val_acc'] = som_val_acc / n_accs

确保在检查点回调之前添加此回调，否则您提供的额外信息将不会被“看到”。如果所有这些都正确实现，错误消息将不再出现，并且模型正在检查点。
下面提供了我针对多输出情况的回调代码

    class ExtraLogInfo(keras.callbacks.Callback):
        def on_epoch_begin(self, epoch, logs):
            self.timed = time.time()

            return

        def on_epoch_end(self, epoch, logs):
            print(logs.keys())
            som_acc = 0.0
            som_val_acc = 0.0
            n_accs = (len(logs) - 2) // 4
            for i in range(n_accs):
                acc_ptn = 'D{:d}_acc'.format(i)
                val_acc_ptn = 'val_D{:d}_acc'.format(i)
                som_acc += logs[acc_ptn]
                som_val_acc += logs[val_acc_ptn]

            logs['acc'] = som_acc / n_accs
            logs['val_acc'] = som_val_acc / n_accs
            logs['time'] = time.time() - self.timed

            return

您的
模型.compile（）
行中是否有
metrics=['acc']
？在使用自定义度量或多输出模型时没有。