这篇文章主要介绍了keras 如何保存最佳的训练模型，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
1、只保存最佳的训练模型
2、保存有所有有提升的模型
3、加载模型
4、参数说明
只保存最佳的训练模型
from keras.callbacks import ModelCheckpoint filepath='weights.best.hdf5' # 有一次提升, 则覆盖一次. checkpoint = ModelCheckpoint(filepath, monitor='val_acc', verbose=1,save_best_only=True,mode='max',period=2) callbacks_list = [checkpoint] model.compile(loss='categorical_crossentropy', optimizer=optimizers.Adam(lr=2e-6,decay=1e-7),metrics=['acc']) history1 = model.fit_generator( train_generator, steps_per_epoch=100, epochs=40, validation_data=validation_generator, validation_steps=100, callbacks=callbacks_list)
输出的部分结果为：
Epoch 2/40 100/100 [==============================] - 24s 241ms/step - loss: 0.2715 - acc: 0.9380 - val_loss: 0.1635 - val_acc: 0.9600 Epoch 00002: val_acc improved from -inf to 0.96000, saving model to weights.best.hdf5 Epoch 3/40 100/100 [==============================] - 24s 240ms/step - loss: 0.1623 - acc: 0.9575 - val_loss: 0.1116 - val_acc: 0.9730 Epoch 4/40 100/100 [==============================] - 24s 242ms/step - loss: 0.1143 - acc: 0.9730 - val_loss: 0.0799 - val_acc: 0.9840 Epoch 00004: val_acc improved from 0.96000 to 0.98400, saving model to weights.best.hdf5
保存所有有提升的模型
from keras.callbacks import ModelCheckpoint # checkpoint filepath = "weights-improvement-{epoch:02d}-{val_acc:.2f}.hdf5" # 中途训练效果提升, 则将文件保存, 每提升一次, 保存一次 checkpoint = ModelCheckpoint(filepath, monitor='val_acc', verbose=1, save_best_only=True,mode='max') callbacks_list = [checkpoint] model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) history1 = model.fit_generator( train_generator, steps_per_epoch=100, epochs=40, validation_data=validation_generator, validation_steps=100, callbacks=callbacks_list)因为我只想要最佳的模型，所以没有尝试保存所有有提升的模型，结果是什么样自己试。。。
加载最佳的模型
# load weights 加载模型权重 model.load_weights('weights.best.hdf5') #如果想加载模型,则将model.load_weights('weights.best.hdf5')改为 #model.load_model('weights.best.hdf5') # compile 编译 model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) print('Created model and loaded weights from hdf5 file') # estimate scores = model.evaluate(validation_generator, steps=30， verbose=0) print("{0}: {1:.2f}%".format(model.metrics_names[1], scores[1]*100)) ModelCheckpoint参数说明 keras.callbacks.ModelCheckpoint(filepath,monitor='val_loss',verbose=0,save_best_only=False, save_weights_only=False, mode='auto', period=1) filename：字符串，保存模型的路径
monitor：需要监视的值
verbose：信息展示模式，0或1(checkpoint的保存信息，类似Epoch 00001: saving model to ...)
（verbose = 0 为不在标准输出流输出日志信息；verbose = 1 为输出进度条记录；verbose = 2 为每个epoch输出一行记录）
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（ the latest best model according to the quantity monitored will not be overwritten）
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（包括模型结构，配置信息等）
period：CheckPoint之间的间隔的epoch数
以上就是keras 如何保存最佳的训练模型的详细内容，更多请关注0133技术站其它相关文章！
