keras： Early Stopping与CheckPoint代码使用

最新推荐文章于 2024-08-08 06:30:00 发布

女搬运工

最新推荐文章于 2024-08-08 06:30:00 发布

阅读量3.1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： tensorflow

本文链接：https://blog.youkuaiyun.com/Dian1pei2xiao3/article/details/90381242

本文介绍了在Keras中如何使用Early Stopping和CheckPoint来优化模型训练。通过设置参数如`monitor`、`patience`和`mode`，Early Stopping可以在验证损失不再下降时停止训练。同时，利用CheckPoint可以在每个epoch后保存最佳模型的权重，以防止训练中断导致的进度丢失。在训练模型时，可以结合Early Stopping和CheckPoint回调以提高模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from keras.callbacks import EarlyStopping
early_stopping = EarlyStopping(monitor='val_loss',patience=100) 
optimizer = keras.optimizers.Adam()
model.compile(loss='categorical_crossentropy',
                  optimizer=optimizer,
                  metrics=['accuracy'])   
hist = model.fit(x_train, Y_train, batch_size=batch_size, nb_epoch=nb_epochs,
              verbose=1, validation_data=(x_test, Y_test),callbacks=[early_stopping])

参数：

monitor：需要监视的量（需要监视的loss，val_loss,acc,val_acc）
patience：当early stop被激活（如发现loss相比上一个epoch训练没有下降），则经过patience个epoch后停止训练。一般情况设置此值较大些，因为神经网络学习本来就不稳定，只有加大些才能获得“最优”解。
verbose：信息展示模式
mode：‘auto’，‘min’，‘max’之一，在min模式下，如果检测值停止下降则中止训练。在max模式下，当检测值不再上升则停止训练。默认为mode。

最后，当监测值不在改善时，该回调函数将终止训练

如果模型训练意外中断怎么办？

１.首先在model.complie之后加入代码实现每一次epoch保存最好的参数