web-dev-qa-db-fra.com

enregistrer les poids du modèle à la fin de toutes les N époques

J'entraîne un NN et j'aimerais enregistrer les poids du modèle à toutes les N époques pour une phase de prédiction. Je propose ce projet de code, il s'inspire de la réponse de @grovina ici . Pourriez-vous, s'il vous plaît, faire des suggestions? Merci d'avance.

from keras.callbacks import Callback

class WeightsSaver(Callback):
    def __init__(self, model, N):
        self.model = model
        self.N = N
        self.Epoch = 0

    def on_batch_end(self, Epoch, logs={}):
        if self.Epoch % self.N == 0:
            name = 'weights%08d.h5' % self.Epoch
            self.model.save_weights(name)
        self.Epoch += 1

Ajoutez-le ensuite à l'appel d'ajustement: pour enregistrer des poids toutes les 5 époques:

model.fit(X_train, Y_train, callbacks=[WeightsSaver(model, 5)])
pythontensorflowcallbackkeras
5
Belkacem Thiziri

Vous ne devriez pas avoir besoin de passer un modèle pour le rappel. Il a déjà accès au modèle via son super. Supprimez donc l'argument __init__(..., model, ...) et self.model = model. Vous devriez pouvoir accéder au modèle actuel via self.model indépendamment. Vous l'enregistrez également à chaque fin de lot, ce qui n'est pas ce que vous voulez, vous voulez probablement que ce soit on_Epoch_end.

Mais dans tous les cas, ce que vous faites peut se faire via naïf modelcheckpoint callback . Vous n'avez pas besoin d'en écrire un personnalisé. Vous pouvez l'utiliser comme suit;

mc = keras.callbacks.ModelCheckpoint('weights{Epoch:08d}.h5', 
                                     save_weights_only=True, period=5)
model.fit(X_train, Y_train, callbacks=[mc])
15
umutto

Vous devez implémenter sur on_Epoch_end plutôt implémenter on_batch_end. Et aussi passer le modèle comme argument pour __init__ est redondant.

from keras.callbacks import Callback
class WeightsSaver(Callback):
  def __init__(self, N):
    self.N = N
    self.Epoch = 0

  def on_Epoch_end(self, Epoch, logs={}):
    if self.Epoch % self.N == 0:
      name = 'weights%08d.h5' % self.Epoch
      self.model.save_weights(name)
    self.Epoch += 1
2
Mitiku