计算机视觉笔记总目录
1 fit的callbacks详解
回调是在训练过程的给定阶段应用的一组函数。可以使用回调来获取培训期间内部状态和模型统计信息的视图。您可以将回调列表（作为关键字参数callbacks）传递给或类的 fit() 方法。然后将在训练的每个阶段调用回调的相关方法。
- 定制化保存模型
- 保存events文件
1.1 ModelCheckpoint
from tensorflow.python.keras.callbacks import ModelCheckpoint
ModelCheckpoint(filepath, monitor='val_loss', save_best_only=False, save_weights_only=False, mode='auto', period=1)
- Save the model after every epoch：每隔多少次迭代保存模型
- filepath：保存模型字符串
- 如果设置 weights.{epoch:02d}-{val_loss:.2f}.hdf5格式，将会每隔epoch number数量并且将验证集的损失保存在该位置
- 如果设置weights.{epoch:02d}-{val_acc:.2f}.hdf5，将会按照val_acc的值进行保存模型
- monitor：quantity to monitor.设置为’val_acc’或者’val_loss’
- save_best_only：if save_best_only=True, 只保留比上次模型更好的结果
- save_weights_only：if True, 只保存去那种(model.save_weights(filepath)), else the full model is saved (model.save(filepath)).
- mode：one of {auto, min, max}. 如果save_best_only=True, 对于val_acc, 要设置max, 对于val_loss要设置min
- period: 迭代保存checkpoints的间隔
check = ModelCheckpoint('./ckpt/singlenn_{epoch:02d}-{val_acc:.2f}.h5',
monitor='val_acc',
save_best_only=True,
save_weights_only=True,
mode='auto',
period=1)
SingleNN.model.fit(self.train, self.train_label, epochs=5, callbacks=[check], validation_data=(x, y))
注意：使用ModelCheckpoint一定要在fit当中指定验证集才能使用，否则报错误。
1.2 Tensorboard
添加Tensorboard观察损失等情况
from tensorflow.python.keras.callbacks import TensorBoard
TensorBoard(log_dir='./logs', histogram_freq=0, batch_size=32, write_graph=True, write_grads=False, write_images=False, embeddings_freq=0, embeddings_layer_names=None, embeddings_metadata=None, embeddings_data=None, update_freq='epoch')
- log_dir:保存事件文件目录
- write_graph=True：是否显示图结构
- write_images=False：是否显示图片
- write_grads=True:是否显示梯度histogram_freq 必须大于0
# 添加tensoboard观察
tensorboard = keras.callbacks.TensorBoard(log_dir='./graph', histogram_freq=1,
write_graph=True, write_images=True)
SingleNN.model.fit(self.train, self.train_label, epochs=5, callbacks=[tensorboard])
打开终端查看：
# 指定存在文件的目录，打开下面命令
tensoboard --logdir "./"
