在 Keras 中使用 Adam 优化器恢复训练
Resume training with Adam optimizer in Keras
我的问题很简单,但我无法在网上找到明确的答案(到目前为止)。
我使用以下方法保存了使用 adam 优化器训练的 keras 模型的权重:
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 依赖于 epoch 数(例如在学习率衰减的情况下),我想知道在与以前相同的条件下恢复训练的最简单方法。
根据 ibarrond 的回答,我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)
我想检查一下这是否正确。再次感谢!!
附录:在进一步阅读默认值 Keras implementation of Adam and the original Adam paper 后,我认为默认的 Adam 不依赖于纪元数,而仅依赖于迭代数。因此,这是不必要的。但是,该代码对于希望跟踪其他优化器的任何人可能仍然有用。
为了完美地捕获优化器的状态,您应该使用函数 get_config()
. This function returns a dictionary (containing the options) that can be serialized and stored in a file using pickle
.
存储其配置
要重新启动该过程,只需 d = pickle.load('my_saved_tfconf.txt')
使用配置检索字典,然后使用 Keras Adam Optimizer.
的函数 from_config(d)
生成您的 Adam 优化器
我的问题很简单,但我无法在网上找到明确的答案(到目前为止)。
我使用以下方法保存了使用 adam 优化器训练的 keras 模型的权重:
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 依赖于 epoch 数(例如在学习率衰减的情况下),我想知道在与以前相同的条件下恢复训练的最简单方法。
根据 ibarrond 的回答,我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)
我想检查一下这是否正确。再次感谢!!
附录:在进一步阅读默认值 Keras implementation of Adam and the original Adam paper 后,我认为默认的 Adam 不依赖于纪元数,而仅依赖于迭代数。因此,这是不必要的。但是,该代码对于希望跟踪其他优化器的任何人可能仍然有用。
为了完美地捕获优化器的状态,您应该使用函数 get_config()
. This function returns a dictionary (containing the options) that can be serialized and stored in a file using pickle
.
要重新启动该过程,只需 d = pickle.load('my_saved_tfconf.txt')
使用配置检索字典,然后使用 Keras Adam Optimizer.
from_config(d)
生成您的 Adam 优化器