Keras构建CNN图像分类模型时ModelCheckpoint无法保存最优模型问题求助

嘿，我看了你的代码和遇到的问题，马上就发现了一个很可能的根源——你在model.fit里把validation_steps设置成了和steps_per_epoch一样的stepsPerEpoch，这就是导致第二个epoch开始出现警告的关键！

问题原因拆解 #

• steps_per_epoch是训练集每个epoch需要遍历的步数，计算逻辑是训练集样本数 // batch_size，这个你应该是对的。
• 但validation_steps应该对应验证集的遍历步数，也就是测试集样本数 // batch_size。当你把它设成训练集的步数时，第一个epoch可能刚好把验证集的数据跑完了，但从第二个epoch开始，验证生成器已经没有足够的数据来完成你指定的步数，Keras没法计算完整的val_accuracy，自然就会抛出那个警告，也没法保存最优模型了。

修复步骤 #

1. 先正确计算验证集的步数：

# 计算验证集每个epoch需要跑的步数
val_steps = test_generator.samples // test_generator.batch_size

如果你的测试集样本数不能被batch_size整除，也可以考虑写成val_steps = test_generator.samples // test_generator.batch_size + 1，确保所有验证样本都被用到。

2. 修改model.fit里的validation_steps参数：

history = model.fit(
    train_generator, 
    steps_per_epoch = stepsPerEpoch, 
    epochs = 15, 
    validation_data=test_generator, 
    validation_steps = val_steps,  # 替换成正确的验证步数
    callbacks = [ PlotLossesKeras(), checkpoint]
)

额外小提示 #

验证集一般不需要做数据增强（你已经用了单独的test_datagen只做rescale，这点很对），另外可以给test_generator加上shuffle=False，避免验证数据打乱，结果更稳定：

test_generator = test_datagen.flow_from_directory(
    r"./datasetcrop512/test", 
    target_size=(512,512), 
    batch_size=32, 
    class_mode='categorical',
    shuffle=False  # 验证集建议关闭shuffle
)

按这个改完后，应该就能正常计算每个epoch的val_accuracy，ModelCheckpoint也能正常保存最优模型了。

内容的提问来源于stack exchange，提问作者Shubham Agrawal