访问迭代中的学习权重-keras或tensorflow

在大约1000次迭代和大约20次迭代的频率之后，我看到acc和val_acc从单次迭代的0增加到下一次迭代的0：

5s - loss: 2.0677 - acc: 0.1345 - val_loss: 3.0170 - val_acc: 0.0000e+00
Epoch 180/3000

5s - loss: 2.0821 - acc: 0.1426 - val_loss: 3.0052 - val_acc: 0.6520
Epoch 181/3000

5s - loss: 2.0755 - acc: 0.1202 - val_loss: 3.0405 - val_acc: 0.0000e+00

当我想了解val_cc大于50%时的权重时，我是否可以在特定迭代中访问权重参数，在这种情况下，acc为0.1426，val_acc为0.6520

当指定的acc和val_acc条件为me时，KERA是否支持节省模型重量

更新：

降低学习率后：

Epoch 7562/300000
1s - loss: 0.7599 - acc: 0.6968 - val_loss: 0.2335 - val_acc: 0.9231
Epoch 7563/300000
1s - loss: 0.7484 - acc: 0.7119 - val_loss: 0.3115 - val_acc: 0.8828
Epoch 7564/300000
1s - loss: 0.7702 - acc: 0.6980 - val_loss: 0.3340 - val_acc: 0.8388

---

是的，您可以使用Keras的回调api保存您的模型。您必须创建回调类并在\u epoch\u end上实现函数，根据需要的条件保存模型。

---

我认为最好的选择是检查ModelCheckpoint的实现。您可以在

中查看您使用什么创建培训迭代？在任何迭代中保存权重都应该非常简单。但是要小心，如果你的准确度在0.14左右，而你的验证准确度突然出现峰值，那么这几乎是100%的概率是一个意外，并且它不会帮助你获得这些权重。如果你的模型达到了改进的程度，那么你应该尝试调整超参数以获得更好的结果。试着降低学习率。@Guillermedelazari谢谢，如果训练精度低于验证精度存在一致性差异，则排除突然出现的尖峰，这是否意味着过度拟合？如果训练准确度为.65，验证准确度为.85，这是否意味着一个经过充分训练的模型，因为尽管训练准确度为.65，但验证准确度仍然很高？过度拟合的典型标志是验证损失开始上升。通过设计，训练损失将始终降低，但当它降低但无助于验证集的性能时，验证集就是模型与训练集的过度拟合。你说的很奇怪。val_acc比train_acc高？！？每次运行模型时都会发生这种情况吗？我最好的猜测是，您的验证集不知何故泄漏到了您的培训集。确保验证集和训练集之间没有重复的示例。@Guillhermedelazari请参阅更新，也许训练和验证精度最终会达到平衡。关于验证集和训练集之间的重复项的好观点，也将检查这一点。