tensorflow - 如何在 keras 中修改 ModelCheckPoint 以监视 val_acc 和 val_loss 并相应地保存最佳模型？

Question

ModelCheckPoint提供为 val_Acc 保存两者的选项和 val_loss分别地。
我想以某种方式修改它，以便如果 val_acc正在改进 -> 保存模型。如果 val_acc等于之前最好的 val_acc然后检查 val_loss , 如果 val_loss低于之前最好的val_loss然后保存模型。

    if val_acc(epoch i)> best_val_acc:
        save model
    else if val_acc(epoch i) == best_val_acc:
        if val_loss(epoch i) < best_val_loss:
           save model
        else
           do not save model

Answer 1

您可以只添加两个回调:

callbacks = [ModelCheckpoint(filepathAcc, monitor='val_acc', ...),
             ModelCheckpoint(filepathLoss, monitor='val_loss', ...)]

model.fit(......., callbacks=callbacks)

使用自定义回调
您可以在 LambdaCallback(on_epoch_end=saveModel) 中为所欲为.

best_val_acc = 0
best_val_loss = sys.float_info.max 

def saveModel(epoch,logs):
    val_acc = logs['val_acc']
    val_loss = logs['val_loss']

    if val_acc > best_val_acc:
        best_val_acc = val_acc
        model.save(...)
    elif val_acc == best_val_acc:
        if val_loss < best_val_loss:
            best_val_loss=val_loss
            model.save(...)
    
callbacks = [LambdaCallback(on_epoch_end=saveModel)]

但这和单个 ModelCheckpoint没什么区别与 val_acc .除非您使用的样本很少，或者您的自定义精度变化不大，否则您不会真正获得相同的精度。