目录

1  保存检查点

2  加载检查点

3  保存整个模型

我们使用回调函数 tf.keras.callbacks.ModelCheckpoint()来保存检查点

我们先看一下这个回调函数的参数

• filepath 我们要保存文件的路径与名字
• monitor 监控指标，默认为val_loss
• verbose 是否显示，默认为0(不显示)
• save_best_only 是否只保存指标最好的(如果有更好的会替代掉之前的，如果没有就不保存)
• save_weights_only 是否只保存权重

• mode {auto，min，max}中的一个。如果“save\u best\u only=True”，则根据监控数量的最大化或最小化来决定覆盖当前保存文件。对于“val_acc”，该值应为“max”，对于“val_loss”，该值应为“min”，等等。在“自动”模式下，方向将自动从监控数量的名称推断出来。简单来讲就是如果指标为正确率，这里就应该写max，如果为损失，这里就应该写min，一般我们让其自动判断就行

• save_freq 保存频率，这个一般不用动，默认为epoch，每一个epoch保存一次

• options 如果“仅保存权重”为true，则可选“tf.train.CheckpointOptions”对象；如果“仅保存权重”为false，则可选“tf.saved\u model.SavedOptions”对象，一般不动，默认为None

下面我们在代码中使用ModelCheckpoint()

1  保存检查点

我们在model.fit之前定义回调函数，然后在model.fit中使用它

训练完之后我们会在同级目录下得到这三个文件

• 不是因为训练了三次才得到这三个文件，训练多少次都会得到这三个文件，后面的检查点把前面的检查点覆盖掉了

2  加载检查点

我们使用load_weights来加载检查点，参数为我们回调函数中的filepath

我们在加载前后分别加入一次评估，检验一下权重是否加载了进来

发现两次结果不一致，权重确实被加载进来了

3  保存整个模型

把save_weights_only取消就可以了

这次只生成all_model.h5这一个文件