第18章 检测点模型
在第13章我们讨论了在训练结束后如何保存和序列化模型到磁盘上。在上一章，我们学习了在过拟合和欠拟合发生的时候如何画出它们，使您能够在训练时，在保持显示出希望的模型的同时，杀死性能不佳的实验。
但是，你可能想我们是否能够将上述策略结合到一起。在损失/正确率提高时能序列化模型吗？或者在训练过程中仅序列化最佳模型是可能的吗？答案是肯定的，幸运的是，这些操作不需要我们写回调函数，这些都内置在keras库中了。
1 检查神经网络模型的改进
检查点的一个好的应用是每次在训练中有好的改进时，就序列化到磁盘上。我们定义“改进”要么是损失下降要么是正确率提高，我们将在实际的keras回调函数中设置这些参数。
具体代码见GitHub的chapter18/。
在导入类中注意ModelCheckpoint，这个类让我们在模型性能提高的时候检查和序列化网络到磁盘上。构建回调函数如下：
我们在第37-38行定义了保存的检查点文件名，固定值weights-epoch数目-损失值。然后39-40定义检查点模型，参数保存的名字、要监视的变量（这里我们监视验证损失）、mode指明如何监视（由于损失越小越好，因此设为min；如果监视的是正确率，由于越大越好，则要设置为max）、save_best_only参数则表示最新的最佳模型不会被覆盖、最后的verbose参数仅是显示执行过程中的log信息。
然后在训练模型时，加入callback就可以了：
之后运行模型，等待完成，就可以看到每次验证损失降低时就记录一次模型文件了。
2 仅检查最佳神经网络
可能在上面运行中最不好的是每次模型改进就会保存一个模型，最后会有很多改进模型，但是我们可能只想保留最佳模型文件。幸好，可以通过ModelCheckpoint接受一个参数，然后无论什么时候性能改进了，仅仅是覆盖这个文件。我们创建一个cifar10_checkpoint_best.py文件，具体见GitHub的chapter18/下。
这里仅仅是通过添加一个覆盖文件即可：
其它代码则与训练一个网络的步骤相同，导入模块，加载数据、划分数据、数据float化、向量化标签、初始化模型与优化器。
这里执行完后，可看到只有一个文件保留，即只保留一个最佳的模型文件。
作者倾向于后者，这可以保留较少文件，且保留了最佳模型文件。