浅谈keras.callbacks设置模型保存策略 | 您所在的位置:网站首页 › keras保存history › 浅谈keras.callbacks设置模型保存策略 |
如下所示: keras.callbacks.ModelCheckpoint(self.checkpoint_path, verbose=0, save_weights_only=True,mode=”max”,save_best_only=True), 默认是每一次poch,但是这样硬盘空间很快就会被耗光. 将save_best_only 设置为True使其只保存最好的模型,值得一提的是其记录的acc是来自于一个monitor_op,其默认为”val_loss”,其实现是取self.best为 -np.Inf. 所以,第一次的训练结果总是被保存. mode模式自动为auto 和 max一样,还有一个min的选项…应该是loss没有负号的时候用的…. https://keras.io/callbacks/ 浏览上面的文档. # 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函数使用,由于Keras的便利性.有很多模型策略以及日志的策略. 比如 当loss不再变化时停止训练 keras.callbacks.EarlyStopping(monitor=’val_loss’, min_delta=0, patience=0, verbose=0, mode=’auto’, baseline=None, restore_best_weights=False) 比如日志传送远程服务器等,以及自适应的学习率scheduler. 确实很便利…. 补充知识: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) 参数: filename:字符串,保存模型的路径(可以将模型的准确率和损失等写到路径中,格式如下:) ModelCheckpoint(‘model_check/’+’ep{epoch:d}-acc{acc:.3f}-val_acc{val_acc:.3f}.h5′,monitor=’val_loss’) 还可以添加损失值等如 ‘loss{loss:.3f}-val_loss{val_loss:.3f}’ monitor:需要检测的值如测试集损失或者训练集损失等 save_best_only:当设置为True时,监测值有改进时才会保存当前的模型 verbose:信息展示模式,0或1(当为1时会有如下矩形框的信息提示) mode:‘auto’,‘min’,‘max’之一,在save_best_only=True时决定性能最佳模型的评判准则,例如,当监测值为val_acc时,模式应为max,当监测值为val_loss时,模式应为min。在auto模式下,评价准则由被监测值的名字自动推断。 save_weights_only:若设置为True,则只保存模型权重,否则将保存整个模型 period:CheckPoint之间的间隔的epoch数 参考代码如下: 在使用时传递给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) 当评价指标不在提升时,减少学习率 当学习停滞时,减少2倍或10倍的学习率常常能获得较好的效果。该回调函数检测指标的情况,如果在patience个epoch中看不到模型性能提升,则减少学习率 参数 monitor:被监测的量 factor:每次减少学习率的因子,学习率将以lr = lr*factor的形式被减少 patience:当patience个epoch过去而模型性能不提升时,学习率减少的动作会被触发 mode:‘auto’,‘min’,‘max’之一,在min模式下,如果检测值触发学习率减少。在max模式下,当检测值不再上升则触发学习率减少。 epsilon:阈值,用来确定是否进入检测值的“平原区” cooldown:学习率减少后,会经过cooldown个epoch才重新进行正常操作 min_lr:学习率的下限 参考代码如下: 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')当监测值不再改善时,该回调函数将中止训练 参数 monitor:需要监视的量 patience:当early stop被激活(如发现loss相比上一个epoch训练没有下降),则经过patience个epoch后停止训练。 verbose:信息展示模式 mode:‘auto’,‘min’,‘max’之一,在min模式下,如果检测值停止下降则中止训练。在max模式下,当检测值不再上升则停止训练。 以上这篇浅谈keras.callbacks设置模型保存策略就是小编分享给大家的全部内容了,希望能给大家一个参考。 |
CopyRight 2018-2019 实验室设备网 版权所有 |