python - 这两种保存keras机器学习模型权重的方式有什么区别？

Question

我看到了两种保存 keras 模型权重的方法。

第一种方式；

checkpointer = ModelCheckpoint(filepath="weights.hdf5", verbose=1, save_best_only=True)
model.fit(x_train, y_train,
                    nb_epoch=number_of_epoch,
                    batch_size=128,
                    verbose=1,
                    validation_data=(x_test, y_test),
                    callbacks=[reduce_lr, checkpointer],
                    shuffle=True)

第二种方式；

model.save_weights("model_weights.h5")

这两种方式有什么区别？加载 weights.hdf5 和 model_weights.h5 之间的预测性能有何差异？

Answer 1

不，性能方面没有差异。这些只是保存模型的两种不同方式，尤其是保存模型的时间。使用 model.save_weights 需要在您想要保存模型时特别调用此函数，例如培训或部分培训完成后。如果您仍在开发模型，那么使用 ModelCheckpoint 会方便得多。通过这种方式，keras 可以在每个训练周期后保存模型的检查点，以便您可以恢复不同的模型；或者您可以设置 save_best_only=True ，以便 keras 仅在性能有所改善时才会覆盖最新的检查点，以便最终获得性能最佳的模型。

总结一下:这只是做两件不同事情的两种不同方式。这取决于您的用例和需求，什么是最好的。