Keras重复运行后指标键加后缀致ModelCheckpoint失效的解决方法

核心原因 #

在Jupyter Notebook中重复运行代码时，即便删除了model和history，Keras内部的指标命名计数器不会自动重置。多次创建tf.keras.metrics.AUC()实例时，系统会为后续实例添加_1、_2这类后缀做区分，导致验证集指标键变为val_auc_1，与ModelCheckpoint监控的val_auc不匹配。

解决方案 #

1. 给AUC指标显式指定名字（最推荐） #

直接在定义AUC指标时通过name参数固定名称，无论运行多少次代码，指标键都不会变化：

import tensorflow as tf
from tensorflow.keras.optimizers import Adam

try:
    del model
    del history
except:
    print('No model to delete')

checkpoint_filepath = "checkpoint"
# 显式命名AUC指标
auc_metric = tf.keras.metrics.AUC(name='auc')

model_checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(
    filepath=checkpoint_filepath,
    save_weights_only=True,
    monitor='val_auc',  # 与指标name严格对应
    mode='max',
    save_best_only=True)

model.compile(optimizer=Adam(learning_rate=0.001),
              loss='binary_crossentropy',
              metrics=['accuracy', auc_metric])

history = model.fit(..., callbacks=[model_checkpoint_callback])

2. 编译后直接获取指标键（无需运行fit） #

Keras在model.compile()完成后会生成model.metrics_names属性，包含所有训练指标的名称。可以用这个属性动态设置ModelCheckpoint的监控目标，避免硬编码：

import tensorflow as tf
from tensorflow.keras.optimizers import Adam

try:
    del model
    del history
except:
    print('No model to delete')

checkpoint_filepath = "checkpoint"

model.compile(optimizer=Adam(learning_rate=0.001),
              loss='binary_crossentropy',
              metrics=['accuracy', tf.keras.metrics.AUC()])

# 编译后直接提取AUC指标名称
auc_metric_name = model.metrics_names[-1]
# 构造验证集对应的指标键
val_auc_key = f'val_{auc_metric_name}'

model_checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(
    filepath=checkpoint_filepath,
    save_weights_only=True,
    monitor=val_auc_key,
    mode='max',
    save_best_only=True)

history = model.fit(..., callbacks=[model_checkpoint_callback])

这种方法无需手动命名指标，即便指标自动生成后缀，也能动态匹配到正确的监控键。

3. 重置Keras全局状态（不推荐，仅作补充） #

如果不想修改指标定义，可在每次运行代码前重置Keras全局状态，但该方法可能影响其他全局设置，不如前两种稳妥：

from tensorflow.keras import backend as K
K.clear_session()  # 重置Keras全局状态

# 后续再执行模型定义、编译、训练流程

内容的提问来源于stack exchange，提问作者KostasD