Python 使用fit_generator（）以最小的验证损失保存模型

如何使用keras函数fit_generator（）来训练并同时保存模型权重，使验证损失最小？

您可以使用以下代码保存模型权重

model.save_weights('weights.h5')

您可以使用以下代码保存模型的体系结构：

model.save('architecure.h5')

如果空间不是问题，那么您可以存储所有模型并选择验证损失最小的模型

class TestCallback(Callback):
def __init__(self, test_data):
    self.test_data = test_data

def on_epoch_end(self, epoch, logs={}):
    x, y = self.test_data
    loss, acc = self.model.evaluate(x, y, verbose=0)
    print('\nTesting loss: {}, acc: {}\n'.format(loss, acc))

model.fit(X_train, Y_train, validation_data=(X_val, Y_val), 
      callbacks=[TestCallback((X_test, Y_test))])

或者，您可以在每个历元之后使用回调来评估验证损失，并采用当前验证数据损失最低的模型。这可以通过参考以下链接来完成。在本例中，只需更改传递给TestCallback的数据，并使用一个变量来存储当前的最小验证损失

class TestCallback(Callback):
def __init__(self, test_data):
    self.test_data = test_data

def on_epoch_end(self, epoch, logs={}):
    x, y = self.test_data
    loss, acc = self.model.evaluate(x, y, verbose=0)
    print('\nTesting loss: {}, acc: {}\n'.format(loss, acc))

model.fit(X_train, Y_train, validation_data=(X_val, Y_val), 
      callbacks=[TestCallback((X_test, Y_test))])

---

您可以在定义检查点时设置save\u best\u only=True：

from keras.callbacks import EarlyStopping, ModelCheckpoint

early_stop = EarlyStopping(monitor='loss', min_delta=0.001, patience=3, mode='min', verbose=1)
checkpoint = ModelCheckpoint('model_best_weights.h5', monitor='loss', verbose=1, save_best_only=True, mode='min', period=1

现在，在拟合模型时，只需包含参数

callbacks=[early\u stop，checkpoint]

。它将以最低的验证损失保存权重

model.fit_generator(X_train, Y_train, validation_data=(X_val, Y_val), 
      callbacks = [early_stop,checkpoint])

保存模型体系结构 如果还想保存模型体系结构，则需要将模型序列化为JSON：

model_json = model.to_json()
with open("model.json", "w") as json_file:
    json_file.write(model_json)

最后用架构和权重加载模型：

# load json and create model
json_file = open('model.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
loaded_model = model_from_json(loaded_model_json)
# load weights into new model
loaded_model.load_weights("model_best_weights.h5")
print("Loaded model from disk")

# evaluate loaded model on test data
loaded_model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy'])
score = loaded_model.evaluate(X, Y, verbose=0)

---

请参阅：

谢谢。我相信这个回调只保存了模型权重，而没有保存模型架构。因此，如果我必须对我的模型进行推理，我如何加载模型和权重？这太棒了。谢谢我会看一看，这是考虑训练损失而不是验证损失。如何让它考虑验证丢失？@ @ RouthSealMeals=“ValueLead”，而不只是ELSPLOP回调中的“监视器”=“丢失”