如何在 Keras Tuner 中使用 tf.keras.callbacks.ModelCheckpoint？

Question

所以我想在 Keras Tuner 中使用 tf.keras.callbacks.ModelCheckpoint，但是您选择保存检查点的路径的方式不允许您将其保存为具有特定名称、名称的文件与该检查点的试验和执行相关联，仅与一个 epoch 相关联。

也就是说，如果我简单地将这个回调放在 Keras Tuner 中，在检查点保存发生的那一刻，最后，我将不知道如何将保存的检查点与试验和试验执行相关联，只与 epoch .

Answer 1

您可以将tf.keras.callbacks.ModelCheckpoint 用于Keras tuner，就像在其他模型中使用的一样来保存检查点。

使用this模型搜索得到的超参数训练模型后，可以定义模型检查点并保存如下：

hypermodel = tuner.hypermodel.build(best_hps)

# Retrain the model
hypermodel.fit(img_train, label_train, epochs=best_epoch, validation_split=0.2)

import os
checkpoint_path = "training_1/cp.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)

# Create a callback that saves the model's weights
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,
                                                 save_weights_only=True,
                                                 verbose=1)
history = hypermodel.fit(img_train, label_train, epochs=5, validation_split=0.2, callbacks=[cp_callback])
os.listdir(checkpoint_dir)

# Re-evaluate the model
loss, acc = hypermodel.evaluate(img_test, label_test, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))

# Loads the weights
hypermodel.load_weights(checkpoint_path)

# Re-evaluate the model
loss, acc = hypermodel.evaluate(img_test, label_test, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))

有关保存和加载模型检查点的更多信息，请参阅this 链接。