tf.keras 如何保存 ModelCheckPoint 对象

Question

ModelCheckpoint 可用于根据特定的监控指标保存最佳模型。所以它显然有关于存储在其对象中的最佳指标的信息。例如，如果您在 google colab 上进行培训，您的实例可能会在没有警告的情况下被终止，并且在长时间的培训课程后您会丢失此信息。

我试图腌制 ModelCheckpoint 对象但得到：

TypeError: can't pickle _thread.lock objects  

这样当我把笔记本带回来时，我可以重复使用这个相同的对象。有没有好的方法来做到这一点？您可以尝试通过以下方式重现：

chkpt_cb = tf.keras.callbacks.ModelCheckpoint('model.{epoch:02d}-{val_loss:.4f}.h5',
                                              monitor='val_loss',
                                              verbose=1,
                                              save_best_only=True)

with open('chkpt_cb.pickle', 'w') as f:
  pickle.dump(chkpt_cb, f, protocol=pickle.HIGHEST_PROTOCOL)

Answer 1

如果回调对象不被腌制（由于线程问题而不可取），我可以改为腌制：

best = chkpt_cb.best

这存储了回调见过的最好的监控指标，它是一个浮点数，你可以pickle并下次重新加载，然后这样做：

chkpt_cb.best = best   # if chkpt_cb is a brand new object you create when colab killed your session. 

这是我自己的设置：

# All paths should be on Google Drive, I omitted it here for simplicity.

chkpt_cb = tf.keras.callbacks.ModelCheckpoint(filepath='model.{epoch:02d}-{val_loss:.4f}.h5',
                                              monitor='val_loss',
                                              verbose=1,
                                              save_best_only=True)

if os.path.exists('chkpt_cb.best.pickle'):
  with open('chkpt_cb.best.pickle', 'rb') as f:
    best = pickle.load(f)
    chkpt_cb.best = best

def save_chkpt_cb():
  with open('chkpt_cb.best.pickle', 'wb') as f:
    pickle.dump(chkpt_cb.best, f, protocol=pickle.HIGHEST_PROTOCOL)

save_chkpt_cb_callback = tf.keras.callbacks.LambdaCallback(
    on_epoch_end=lambda epoch, logs: save_chkpt_cb()
)

history = model.fit_generator(generator=train_data_gen,
                          validation_data=dev_data_gen,
                          epochs=5,
                          callbacks=[chkpt_cb, save_chkpt_cb_callback])

因此，即使您的 colab 会话被终止，您仍然可以检索最近的最佳指标并将其告知您的新实例，并照常继续训练。当您重新编译有状态优化器并且可能导致损失/度量回归并且不想在前几个时期保存这些模型时，这尤其有用。

Answer 2

我认为您可能误解了 ModelCheckpoint 对象的预期用途。这是一个callback，在特定阶段的训练期间定期被调用。特别是 ModelCheckpoint 回调在每个 epoch 之后被调用（如果您保留默认的 period=1）并将您的模型以您指定的文件名保存到磁盘到 filepath 参数。模型的保存方式与here 中描述的相同。然后，如果您想稍后加载该模型，您可以执行类似的操作

from keras.models import load_model
model = load_model('my_model.h5')

关于 SO 的其他答案为从保存的模型继续训练提供了很好的指导和示例，例如：Loading a trained Keras model and continue training。重要的是，保存的 H5 文件存储了继续训练所需的模型的所有内容。

正如Keras documentation 中所建议的，您不应该使用pickle 来序列化您的模型。只需使用“fit”函数注册 ModelCheckpoint 回调：

chkpt_cb = tf.keras.callbacks.ModelCheckpoint('model.{epoch:02d}-{val_loss:.4f}.h5',
                                              monitor='val_loss',
                                              verbose=1,
                                              save_best_only=True)
model.fit(x_train, y_train,
          epochs=100,
          steps_per_epoch=5000,
          callbacks=[chkpt_cb])

您的模型将保存在一个 H5 文件中，以您拥有的名称命名，并自动为您格式化 epoch 数和损失值。例如，您保存的第 5 个 epoch 的损失为 0.0023 的文件看起来像 model.05-.0023.h5，并且由于您设置了 save_best_only=True，因此只有在您的损失比之前保存的更好时才会保存模型，这样您就不会污染你的目录有一堆不需要的模型文件。