Vous pouvez utiliser tf.keras.callbacks.ModelCheckpoint
pour Keras tuner
de la même manière que celle utilisée dans d'autres modèle pour enregistrer les points de contrôle.
Après la formation, le modèle avec le hyperparameters obtenu à partir de la recherche par ce modèle, vous pouvez définir un modèle de points de contrôle et l'enregistrer en tant que ci-dessous:
hypermodel = tuner.hypermodel.build(best_hps)
# Retrain the model
hypermodel.fit(img_train, label_train, epochs=best_epoch, validation_split=0.2)
import os
checkpoint_path = "training_1/cp.ckpt"
checkpoint_dir = os.path.dirname(checkpoint_path)
# Create a callback that saves the model's weights
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,
save_weights_only=True,
verbose=1)
history = hypermodel.fit(img_train, label_train, epochs=5, validation_split=0.2, callbacks=[cp_callback])
os.listdir(checkpoint_dir)
# Re-evaluate the model
loss, acc = hypermodel.evaluate(img_test, label_test, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))
# Loads the weights
hypermodel.load_weights(checkpoint_path)
# Re-evaluate the model
loss, acc = hypermodel.evaluate(img_test, label_test, verbose=2)
print("Restored model, accuracy: {:5.2f}%".format(100 * acc))
Veuillez consulter ce lien pour plus d'inofrmation sur enregistrer et charger un modèle de points de contrôle.