如何在Precision与Recall均更优时保存Keras模型？

你说得对，直接加两个ModelCheckpoint回调确实是“或”逻辑——每个回调各自独立判断自己的指标是否更优，只要满足就会触发保存，完全达不到“两个指标都要更优”的要求。要实现“与”逻辑，必须自定义一个回调函数，在每个epoch结束时同时检查两个指标的情况。

以下是适配Python 3.7和TensorFlow 2.1.0的实现方案：

自定义回调函数实现 #

import tensorflow as tf
from tensorflow.keras.callbacks import Callback

class DualMetricModelCheckpoint(Callback):
    def __init__(self, save_path, monitor_precision='val_precision', monitor_recall='val_recall'):
        super(DualMetricModelCheckpoint, self).__init__()
        self.save_path = save_path
        # 监控的指标名称，根据你的训练配置调整（比如不用val_前缀就是训练集指标）
        self.monitor_precision = monitor_precision
        self.monitor_recall = monitor_recall
        # 初始化最佳指标值，因为Precision和Recall范围是0-1，初始设为0即可
        self.best_precision = 0.0
        self.best_recall = 0.0

    def on_epoch_end(self, epoch, logs=None):
        logs = logs or {}
        # 获取当前epoch的两个指标值
        current_precision = logs.get(self.monitor_precision)
        current_recall = logs.get(self.monitor_recall)

        if current_precision is None or current_recall is None:
            raise ValueError(f"监控的指标 {self.monitor_precision} 或 {self.monitor_recall} 未在训练中输出，请检查模型编译时的metrics配置")
        
        # 判断是否两个指标都优于之前的最佳值
        if current_precision > self.best_precision and current_recall > self.best_recall:
            print(f"\nEpoch {epoch+1}: {self.monitor_precision} 和 {self.monitor_recall} 均优于历史最佳，保存模型到 {self.save_path}")
            # 保存整个模型（也可以用save_weights只存权重，根据需求调整）
            self.model.save(self.save_path)
            # 更新最佳指标值
            self.best_precision = current_precision
            self.best_recall = current_recall
        else:
            print(f"\nEpoch {epoch+1}: 未满足双指标均更优的条件，不保存模型")

使用方法 #

1. 首先确保你的模型编译时已经加入了Precision和Recall指标：

# 注意TF2.1.0里的Precision/Recall类位置
from tensorflow.keras.metrics import Precision, Recall

model.compile(
    optimizer='adam',
    loss='binary_crossentropy',  # 根据你的任务调整损失函数
    metrics=[Precision(name='precision'), Recall(name='recall')]
)

2. 在训练时加入自定义回调：

# 初始化自定义回调，指定保存路径
dual_checkpoint = DualMetricModelCheckpoint(save_path='best_dual_model.h5')

# 开始训练
model.fit(
    train_data,
    validation_data=val_data,  # 如果你用训练集指标，就不需要这个，同时回调里去掉val_前缀
    epochs=50,
    callbacks=[dual_checkpoint]
)

关键逻辑解释 #

• 自定义回调继承自Callback，重写on_epoch_end方法，这个方法会在每个epoch训练结束后触发
• 初始化时记录最佳Precision和Recall的初始值（0.0）
• 每个epoch结束后，从logs字典中获取当前的指标值（logs会包含训练时所有输出的指标）
• 只有当当前Precision > 历史最佳Precision且当前Recall > 历史最佳Recall时，才保存模型并更新最佳值
• 如果其中一个指标没提升，或者两个都没提升，就不执行保存操作

内容的提问来源于stack exchange，提问作者Mistapopo