9、深度学习与计算机视觉：从基础到实践

深度学习与计算机视觉：从基础到实践

1. 深度学习工作流中的检查点与工具

在深度学习开发中，检查点（checkpoint）是一项重要的功能，它允许我们在训练过程中保存模型和优化器的状态，以便在需要时恢复训练。返回的处理程序具有普通事件处理程序的所有功能，并且可以为 Ignite 触发的任何事件设置。以下是一个为 ITERATION_COMPLETED 事件设置检查点处理程序的示例：

dirname = 'path/to/checkpoint/directory'
objects_to_checkpoint = {"model": model, "optimizer": optimizer}
engine_checkpoint = ModelCheckpoint( 
    dirname=dirname, 
    to_save=objects_to_checkpoint, 
    save_interval=100)
trainer.add_event_handler(Events.ITERATION_COMPLETED, engine_checkpoint)

在这个示例中，我们希望每 100 次迭代保存一次检查点。虽然触发器会在每次 ITERATION_COMPLETED 事件调用处理程序，但 Ignite 允许用户在处理程序内部进行自定义检查。以下代码片段展示了如何在检查点处理程序中实现这一功能：

if engine.state.iteration %