### 如何在 Python 中通过 `model.fit` 函数获取损失最低的模型 为了在使用 `model.fit()` 训练 Keras/TensorFlow 模型的过程中保存或获取损失最低的模型，可以通过回调函数 `ModelCheckpoint` 实现这一功能。具体来说，`ModelCheckpoint` 可以监控训练过程中的某个指标（如验证集上的损失值），并自动保存表现最佳的模型权重。 以下是实现方法的具体说明： #### 方法描述 1. **引入必要的模块** 需要导入 TensorFlow 和其子模块 `tf.keras.callbacks.ModelCheckpoint` 来定义回调函数。 2. **配置 ModelCheckpoint 回调** 定义一个 `ModelCheckpoint` 对象，指定文件路径以及监控的目标指标（通常是 `'val_loss'` 表示验证集上的损失）。还可以设置其他参数，例如是否只保留最优模型 (`save_best_only=True`) 或者保存整个模型还是仅保存权重 (`save_weights_only=False`)。 3. **将回调传递给 model.fit()** 将创建好的回调对象加入到 `fit()` 的 `callbacks` 参数列表中。 4. **加载最优模型** 如果选择了保存整个模型，则可以直接重新加载；如果是保存权重，则需手动加载回原模型结构。 下面是完整的代码示例： ```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from tensorflow.keras.callbacks import ModelCheckpoint # 构建简单模型 model = Sequential() model.add(Dense(64, activation='relu', input_dim=100)) model.add(Dense(64, activation='relu')) model.add(Dense(1, activation='sigmoid')) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 数据生成器 (假设已存在) def data_generator(): while True: x = ... # 输入数据 y = ... # 输出标签 yield x, y generator = data_generator() # 设置 ModelCheckpoint 回调 checkpoint_callback = ModelCheckpoint( filepath="best_model.h5", # 文件名 monitor="val_loss", # 监控验证集损失 save_best_only=True, # 仅保存最好的模型 mode="min" # 当监控的是最小化目标时使用 'min' ) # 调用 fit 并传入回调 history = model.fit( generator, epochs=10, steps_per_epoch=1000, validation_data=(x_val, y_val), # 提供验证集数据 callbacks=[checkpoint_callback], # 添加回调 verbose=1 # 显示进度条 ) # 加载最优模型 loaded_model = tf.keras.models.load_model("best_model.h5") # 若保存了整个模型 # 或者对于仅保存权重的情况： # loaded_model = Sequential([...]) # 重建相同的模型架构 # loaded_model.load_weights("best_model.h5") ``` 以上代码实现了基于验证集损失的选择机制[^1]。每当当前 epoch 结束后发现新的更低的验证损失时，就会触发保存操作。 --- #### 关键点解析 - **`filepath`**: 这里指定了存储模型的最佳状态的位置。可以根据需求自定义命名规则。 - **`monitor`**: 设定为 `"val_loss"` 是因为通常希望找到验证阶段性能最理想的版本。当然也可以替换为其他可选指标比如精度 `"val_accuracy"`。 - **`mode`**: 根据所监测指标的方向决定取最大值还是最小值。这里由于关注的是减少损失所以设成 `"min"`[^3]。 - **`validation_data`/`validation_split`**: 必须提供有效的验证数据源以便让框架能够评估每一轮的表现变化情况[^2]. 最终得到的结果将是经过多次迭代之后具有最少历史记录误差的那个特定时刻下的神经网络实例副本。 ---