### 实现 TensorFlow 2.0 模型训练并保存最佳模型 为了满足需求，即在 TensorFlow 2.0 中实现模型训练 30 次，并保存最佳模型；同时检查现有模型是否存在，若存在则加载模型，否则进行训练并保存。以下是详细的解决方案。 #### 完整代码示例 ```python import os import glob from tensorflow.keras import Sequential from tensorflow.keras.layers import Dense, Flatten from tensorflow.keras.datasets import mnist from tensorflow.keras.utils import to_categorical from tensorflow.keras.callbacks import ModelCheckpoint # 数据预处理 def prepare_data(): (train_images, train_labels), (test_images, test_labels) = mnist.load_data() train_images = train_images / 255.0 test_images = test_images / 255.0 train_labels = to_categorical(train_labels) test_labels = to_categorical(test_labels) return (train_images, train_labels), (test_images, test_labels) # 构建模型 def build_model(input_shape=(28, 28)): model = Sequential([ Flatten(input_shape=input_shape), Dense(128, activation='relu'), Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) return model # 设置回调函数以保存最佳模型 def setup_checkpoint_callback(filepath): checkpoint = ModelCheckpoint( filepath=filepath, monitor='val_accuracy', verbose=1, save_best_only=True, mode='max', save_weights_only=False ) return checkpoint # 主逻辑：检查模型是否存在，若不存在则训练并保存 def main(): # 文件路径设置 model_dir = "./saved_models" os.makedirs(model_dir, exist_ok=True) filepath = os.path.join(model_dir, "best_model_epoch_{epoch:02d}_val_acc_{val_accuracy:.2f}.h5") # 准备数据 (train_images, train_labels), (test_images, test_labels) = prepare_data() # 检查是否有已存在的模型文件 pattern = os.path.join(model_dir, "best_model_epoch_*_val_acc_*.h5") existing_files = sorted(glob.glob(pattern)) if existing_files: latest_model_path = existing_files[-1] print(f"发现已有模型文件，正在加载: {latest_model_path}") model = tf.keras.models.load_model(latest_model_path) else: print("未找到现有模型，开始训练...") model = build_model() # 配置回调函数 checkpoint_callback = setup_checkpoint_callback(filepath) # 训练模型 history = model.fit( train_images[..., None], train_labels, epochs=30, validation_data=(test_images[..., None], test_labels), callbacks=[checkpoint_callback] ) # 测试模型性能 _, accuracy = model.evaluate(test_images[..., None], test_labels, verbose=2) print(f'\n最终模型的测试准确率为: {accuracy * 100:.2f}%') main() ``` --- ### 关键点解析 1. **ModelCheckpoint 回调配置** - 使用 `ModelCheckpoint` 来监控验证集上的准确性 (`val_accuracy`) 并只保存表现最佳的模型[^2]。 - 参数 `save_best_only=True` 确保只有当当前 epoch 的模型优于之前所有 epoch 时才会保存新模型。 - 参数 `mode='max'` 表明我们希望最大化验证集上的准确性。 2. **动态文件名格式化** - 动态文件名 `best_model_epoch_{epoch:02d}_val_acc_{val_accuracy:.2f}.h5` 可能引发错误（如 KeyError），这是因为某些情况下 `val_accuracy` 不会被正确更新[^3]。为了避免此类问题，确保使用最新版本的 TensorFlow，并确认指标名称一致性。 3. **模型加载与重新评估** - 若检测到现有的模型文件，则通过 `tf.keras.models.load_model()` 加载它[^1]。 - 否则构建新的模型实例并启动训练流程。 4. **目录管理** - 创建专门的目录用于存储模型文件，便于管理和检索。 - 利用 `glob` 库查找符合特定命名模式的文件，从而定位最新的或最优的模型文件。 --- ### 注意事项 - 如果需要更复杂的条件判断（例如基于其他指标选择模型），可以在回调中调整 `monitor` 参数。 - 在实际应用中，建议增加异常捕获机制以增强程序健壮性。 ---