在 keras 中保存最佳模型

Question

我在 keras 中训练模型时使用以下代码

from keras.callbacks import EarlyStopping

model = Sequential()
model.add(Dense(100, activation='relu', input_shape = input_shape))
model.add(Dense(1))

model_2.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])


model.fit(X, y, epochs=15, validation_split=0.4, callbacks=[early_stopping_monitor], verbose=False)

model.predict(X_test)

但最近我想获得最好的训练模型，因为我正在训练的数据在“高 val_loss vs epochs”图中给出了很多峰值，我想使用模型中最好的模型。

有什么方法或功能可以帮助解决这个问题吗？

Answer 1

EarlyStopping 和 ModelCheckpoint 是您需要的 Keras 文档。

您应该在 ModelCheckpoint 中设置save_best_only=True。如果需要任何其他调整，都是微不足道的。

只是为了帮助您更多，您可以查看here on Kaggle的用法。

---

如果上面的 Kaggle 示例链接不可用，请在此处添加代码：

model = getModel()
model.summary()

batch_size = 32

earlyStopping = EarlyStopping(monitor='val_loss', patience=10, verbose=0, mode='min')
mcp_save = ModelCheckpoint('.mdl_wts.hdf5', save_best_only=True, monitor='val_loss', mode='min')
reduce_lr_loss = ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=7, verbose=1, epsilon=1e-4, mode='min')

model.fit(Xtr_more, Ytr_more, batch_size=batch_size, epochs=50, verbose=0, callbacks=[earlyStopping, mcp_save, reduce_lr_loss], validation_split=0.25)

Answer 2

EarlyStopping 的 restore_best_weights 参数可以解决问题：

restore_best_weights：是否从监测量的最佳值的epoch恢复模型权重。如果为False，则使用训练最后一步得到的模型权重。

所以不确定您的early_stopping_monitor 是如何定义的，但是使用所有默认设置并看到您已经导入了EarlyStopping，您可以这样做：

early_stopping_monitor = EarlyStopping(
    monitor='val_loss',
    min_delta=0,
    patience=0,
    verbose=0,
    mode='auto',
    baseline=None,
    restore_best_weights=True
)

然后就像你已经做的那样，用callbacks=[early_stopping_monitor] 打电话给model.fit()。

Answer 3

我猜model_2.compile 是一个错字。 如果您想将最佳模型 w.r.t 保存到 val_losses，这应该会有所帮助 -

checkpoint = ModelCheckpoint('model-{epoch:03d}-{acc:03f}-{val_acc:03f}.h5', verbose=1, monitor='val_loss',save_best_only=True, mode='auto')  

model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])

model.fit(X, y, epochs=15, validation_split=0.4, callbacks=[checkpoint], verbose=False)