我是Keras的新用户。我对使用Keras的培训程序有疑问。
由于我的服务器的时间限制(每个作业只能在不到24小时内运行),我必须使用多个10-epoch周期来训练我的模型。
在训练的第一阶段,在10个时期之后,使用Keras的ModelCheckpoint存储最佳模型的权重。
conf = dict()
conf['nb_epoch'] = 10
callbacks = [
ModelCheckpoint(filepath='/1st_{epoch:d}_{val_loss:.5f}.hdf5',
monitor='val_loss', save_best_only=True,
save_weights_only=False, verbose=0)
]
假设我得到了最好的模型:'1st_10_1.00000.hdf5'。接下来,我继续使用10个时期训练我的模型并存储最佳模型的权重,如下所示。
model.load_weights('1st_10_1.00000.hdf5')
model.compile(...)
callbacks = [
ModelCheckpoint(filepath='/2nd_{epoch:d}_{val_loss:.5f}.hdf5',
monitor='val_loss', save_best_only=True,
save_weights_only=False, verbose=0)
]
但我有一个问题。第二次训练的第1纪元给出了val0000的1.20000,该脚本产生了一个模型'2nd_1_1.20000.hdf5'。显然,新的val_loss大于第一次训练的最佳val_loss(1.00000)。以下第二次训练的时期似乎是基于模型'2nd_1_1.20000.hdf5'而不是'1st_10_1.00000.hdf5'进行训练的。
'2nd_1_1.20000.hdf5'
'2nd_1_2.15000.hdf5'
'2nd_1_3.10000.hdf5'
'2nd_1_4.05000.hdf5'
...
我认为没有使用第一次培训期间的更好结果是浪费。任何人都可以指出我修复它的方法,或告诉程序它应该使用前一个培训期间的最佳模型的方式?提前谢谢了!
有趣的情况,可能是一个很大的改进...我不认为API目前支持这样的解决方案,除了自己的回调功能。
我认为这不会那么难。你可以根据原来的modelcheckpoint
callback类来改变它。
这一行:https://github.com/fchollet/keras/blob/master/keras/callbacks.py#L390
它存储作为logget的项目的当前最佳值,它在if语句中初始化为-inf / inf,具体取决于具体情况。
在您的情况下,您必须找到一种方法来读取文件的文件名,执行一些字符串操作,然后添加它。
我建议将其添加为单独的声明..或作为else if
。
避免过多地搞乱核心代码。
希望它有所帮助..
我遇到了同样的问题,直到我问了这个问题才发现你的问题。根据我得到的反馈,我编写了一个简单的回调函数,用于保存和恢复最佳训练值(例如val_loss)。你可以在这里找到它:How to preserve metric values over training sessions in Keras?
我最近遇到了类似的问题,虽然上面提供的解决方案非常有效。我尝试了一种更简单的方法,在训练过程完成后,我将ModelCheckpoint对象保存到pickle文件中。
然后在后续运行中我将恢复pickle对象而不是创建ModelCheckpoint的新实例,类似于我们恢复模型的方式。