以指定频率保存 Keras 模型或权重。

ModelCheckpoint callback 通过 model.fit() 与训练结合使用，以指定时间间隔保存模型或权重为 checkpoint 文件，以便稍后可以加载模型或权重，从而从保存的状态继续训练。

该 callback 提供了如下选项：

• 是只保留到目前为止 性能最佳 的模型，还是不管性能，每个 epoch 结束时都保存模型；
• 最佳的定义 ：要监控的指标，以及应该最大化还是最小化；
• 保存的频率，目前支持在每个 epoch 结束时保存，或指定训练 batches 后保存；
• 是只保存权重，还是保存整个模型。

[!NOTE]
如果出现 WARNING:tensorflow:Can save best model only with <name> available, skipping 信息，可以参考 monitor 参数说明。

filepath

保存模型文件的路径，string 或 PathLike ，例如 filepath = os.path.join(working_dir, 'ckpt', file_name) 。 filepath 可以包含命名格式化选项。例如，如果 filepath 为 weights.{epoch:02d}-{val_loss:.2f}.hdf5 ，则 model checkpoint 文件名包含 epoch 号和 validation loss。 filepath 目录不应该被其它 callback 使用，以避免冲突。

monitor

要监控指标的名称。指标一般通过 Model.compile 方法设置。注意：

• 在名称前加 “val_” 前缀以监控 validation 指标；
• 使用 “loss” 或 “val_loss” 以监控模型的总损失；
• 如果用字符串指定指标，如 “accuracy”，传入相同的字符串（带或不带 “val_” 前缀）；
• 如果传入 metrics.Metric 对象， monitor 应该设置为 metric.name ；
• 如果不确定指标名称，可以检查 history=model.fit() 返回的 history.history dict；
• 多输出模型的指标名称包含额外的前缀。

verbose

详细模式，0 或 1:

• 0 silent
• 1 在 callback 执行时显示消息

save_best_only

save_best_only=True 只在模型被认为是目前最好时保存。如果 filepath 不包含格式化选项，例如 {epoch} ，则新保存的更好模型将覆盖之前保存的模型。

{‘auto’, ‘min’, ‘max’} 之一。

如果 save_best_only=True ，则根据监视指标的最大化或最小化来决定是否覆盖保存文件。对 val_acc 应为 max ，对 val_loss 应为 min 。在 auto 模式，如果监控的指标为 acc 或以 ‘fmeasure’ 开头，则模式为 max ，对余下的则为 min 。

save_weights_only

True 表示只保存模型的权重 model.save_weights(filepath) ，否则保存整个模型 model.save(filepath) 。

save_freq

‘epoch’ 或 integer。当使用 'epoch' 时，callback 在每个 epoch 后保存模型。当使用 integer，则在这些 batch 后保存模型。如果 Model 使用 steps_per_execution=N 选项进行编译，则每 Nth batch 检查保存条件。注意，如果保存和 epoch 没对齐，则监控指标可能不可靠（它可能只反应一个 batch，因为指标在每个 epoch 结束会重置）。默认 ‘epoch’。

options

save_weights_only 为 True 时可选的 tf.train.CheckpointOptions 对象 或 save_weights_only 为 False 时可选的 tf.saved_model.SaveOptions 对象。

initial_value_threshold

指标的最佳值（浮点数）。 save_best_value=True 时适用。当模型的性能优于该值时才保存模型权重。

model.compile(loss=..., optimizer=..., metrics=["accuracy"])
EPOCHS = 10
checkpoint_filepath = "/tmp/checkpoint"
model_checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(
    filepath=checkpoint_filepath,
    save_weights_only=True,
    monitor="val_accuracy",
    mode="max",
    save_best_only=True,
# 如果模型是目前为止最好的模型，则在每个 epoch 后保存模型权重
model.fit(epochs=EPOCHS, callbacks=[model_checkpoint_callback])
# The model weights (that are considered the best) are loaded into the model.
model.load_weights(checkpoint_filepath)
https://www.tensorflow.org/api_docs/python/tf/keras/callbacks/ModelCheckpoint
https://keras.io/api/callbacks/model_checkpoint/
				
我们训练完模型之后，一般会需要保存模型或者只保存权重文件。可以利用keras中的回调函数ModelCheckpoint进行保存。
keras.callbacks.ModelCheckpoint(
  filepath,
  monitor='val_loss',
  verbose=0,
  save_best_only=True,
  save_weights_only=F...
from keras.callbacks import ModelCheckpoint
Keras中使用ModelCheckpoint对训练完成的模型进行保存及载入
Keras函数——keras.callbacks.ModelCheckpoint()各参数解释及模型的训练
				
转载于https://cloud.tencent.com/developer/article/1049579，如有侵权，请联系 [email protected] 删除
深度学习模式可能需要几个小时，几天甚至几周的时间来训练。
如果运行意外停止，你可能就白干了。
在这篇文章中，你将会发现在使用Keras库的Python训练过程中，如何检查你的深度学习模型
Checkpoint神经网络模型
应用程序Checkpoint是为长时间运行进程准备的容错技术。
这是一种在系统故障的情况下拍摄系统状态快照的方法.
import json
import tensorflow.keras.models
from tensorflow.keras.callbacks import *
#这是独立的包
import tensorflow.keras
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train
				
在神经网络的训练学习过程中，常常需要把训练好的模型保存下来，ModelCheckpoint技术就是一种很实用的模型保存与改进方法。
在keras中通过回调API实现Checkpoint功能，本质上是callbacks的一个类。使用前需要从keras库中调用：
from kearas.callbacks import ModelCheckpoint
ModelCheckpoint的一般格式是：
checkpoint = ModelCheckpoint(filename, monitor='loss', ve
				
使用tf.trian.NewCheckpointReader(model_dir)
一个标准的模型文件有一下文件, model_dir就是MyModel(没有后缀)
checkpoint
Model.meta
Model.data-00000-of-00001
Model.index
import tensorflow as tf
import pprint # 使用pprint 提高打印的可读性
NewCheck =tf.train.NewCheckpointReader("model")
打印模型中的所有变量
print("debug_string:\n")
pprint.pprin