第18章 檢測點模型

在第13章我們討論了在訓練結束後如何保存和序列化模型到磁盤上。在上一章，我們學習了在過擬合和欠擬合發生的時候如何畫出它們，使您能夠在訓練時，在保持顯示出希望的模型的同時，殺死性能不佳的實驗。

但是，你可能想我們是否能夠將上述策略結合到一起。在損失/正確率提高時能序列化模型嗎？或者在訓練過程中僅序列化最佳模型是可能的嗎？答案是肯定的，幸運的是，這些操作不需要我們寫回調函數，這些都內置在keras庫中了。

1 檢查神經網絡模型的改進

檢查點的一個好的應用是每次在訓練中有好的改進時，就序列化到磁盤上。我們定義“改進”要麽是損失下降要麽是正確率提高，我們將在實際的keras回調函數中設置這些參數。

具體代碼見GitHub的chapter18/。

在導入類中註意ModelCheckpoint，這個類讓我們在模型性能提高的時候檢查和序列化網絡到磁盤上。構建回調函數如下：

我們在第37-38行定義了保存的檢查點文件名，固定值weights-epoch數目-損失值。然後39-40定義檢查點模型，參數保存的名字、要監視的變量（這裏我們監視驗證損失）、mode指明如何監視（由於損失越小越好，因此設為min；如果監視的是正確率，由於越大越好，則要設置為max）、save_best_only參數則表示最新的最佳模型不會被覆蓋、最後的verbose參數僅是顯示執行過程中的log信息。

然後在訓練模型時，加入callback就可以了：

之後運行模型，等待完成，就可以看到每次驗證損失降低時就記錄一次模型文件了。

2 僅檢查最佳神經網絡

可能在上面運行中最不好的是每次模型改進就會保存一個模型，最後會有很多改進模型，但是我們可能只想保留最佳模型文件。幸好，可以通過ModelCheckpoint接受一個參數，然後無論什麽時候性能改進了，僅僅是覆蓋這個文件。我們創建一個cifar10_checkpoint_best.py文件，具體見GitHub的chapter18/下。

這裏僅僅是通過添加一個覆蓋文件即可：

其它代碼則與訓練一個網絡的步驟相同，導入模塊，加載數據、劃分數據、數據float化、向量化標簽、初始化模型與優化器。

這裏執行完後，可看到只有一個文件保留，即只保留一個最佳的模型文件。

作者傾向於後者，這可以保留較少文件，且保留了最佳模型文件。

第18章 檢測點模型