Question

我的问题很简单，但是（到目前为止）我无法在网上找到明确的答案。

在定义次数的训练后，我使用adam优化器训练的keras模型的权重已保存下来：

callback = tf.keras.callbacks.ModelCheckpoint(filepath=path, save_weights_only=True)
model.fit(X,y,callbacks=[callback])

当我关闭jupyter后恢复训练时，我可以简单地使用：

model.load_weights(path)

继续训练。

由于Adam取决于时期数（例如学习率下降的情况），所以我想知道在与以前相同的条件下恢复训练的最简单方法。

按照ibarrond的回答，我编写了一个小的自定义回调。

optim = tf.keras.optimizers.Adam()
model.compile(optimizer=optim, loss='categorical_crossentropy',metrics=['accuracy'])

weight_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path, save_weights_only=True, verbose=1, save_best_only=False)

class optim_callback(tf.keras.callbacks.Callback):
    '''Custom callback to save optimiser state'''

          def on_epoch_end(self,epoch,logs=None):
                optim_state = tf.keras.optimizers.Adam.get_config(optim)
                with open(optim_state_pkl,'wb') as f_out:                  
                       pickle.dump(optim_state,f_out)

model.fit(X,y,callbacks=[weight_callback,optim_callback()])

当我恢复训练时：

model.load_weights(checkpoint_path)
with open(optim_state_pkl,'rb') as f_out:                  
                    optim_state = pickle.load(f_out)
tf.keras.optimizers.Adam.from_config(optim_state)

我只想检查一下是否正确。再次非常感谢！

附录：在进一步阅读Adam的默认Keras implementation和original Adam paper时，我相信默认的Adam并不依赖于时期号，而仅依赖于迭代次数。因此，这是不必要的。但是，该代码对于希望跟踪其他优化程序的任何人可能仍然有用。

Answer 1

为了完美地捕获优化器的状态，您应该使用功能get_config()存储其配置。此函数返回一个词典（包含选项），该词典可以使用pickle进行序列化并存储在文件中。

要重新启动该过程，只需d = pickle.load('my_saved_tfconf.txt')即可检索具有配置的词典，然后使用Keras Adam Optimizer.的函数from_config(d)生成您的Adam Optimizer。

在Keras中使用Adam优化器恢复培训

1 个答案: