如何配置ModelCheckpoint与EarlyStopping以消除TensorFlow警告？

这个警告的核心原因是训练过程中没有生成val_accuracy指标，导致ModelCheckpoint无法判定是否保存最佳模型。可以从以下几个方面排查解决：

• 确保模型编译阶段指定accuracy指标
  模型必须在编译时明确要计算的accuracy相关指标，否则训练流程不会生成val_accuracy数据。根据你的任务类型调整示例代码：

  # 单分类任务（标签为整数）
  model.compile(
      optimizer='adam',
      loss='sparse_categorical_crossentropy',
      metrics=['accuracy']  # 必须添加该参数才能生成val_accuracy
  )
  
  # 多标签分类任务
  model.compile(
      optimizer='adam',
      loss='binary_crossentropy',
      metrics=['binary_accuracy']  # 此时监控指标需改为val_binary_accuracy
  )
  

• 检查验证数据集的标签格式
  验证数据集val_ds的标签格式必须与模型使用的loss函数匹配：

  • 若使用sparse_categorical_crossentropy，标签应为整数类型（如[0, 1, 2]）；
  • 若使用categorical_crossentropy，标签需为one-hot编码格式（如[[1,0,0], [0,1,0]]）。
    格式不匹配会导致accuracy指标无法计算，进而缺失val_accuracy。

• 核对监控指标名称与编译时的一致性
  如果编译时使用了自定义名称的指标，比如：

  model.compile(
      optimizer='adam',
      loss='categorical_crossentropy',
      metrics=[tf.keras.metrics.CategoricalAccuracy(name='cat_acc')]
  )
  

  则ModelCheckpoint的monitor参数需要对应改成val_cat_acc，而不是默认的val_accuracy。

内容的提问来源于stack exchange，提问作者marlon