请求提供Keras每轮训练后保存完整模型的回调示例

没问题！我明白你要的是每轮训练后保存完整可直接运行的模型，而不只是权重——毕竟只存权重的话还要重新搭建模型结构、编译，确实麻烦。下面是一个简洁的Keras示例，完全满足你的需求：

完整代码示例 #

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.callbacks import ModelCheckpoint

# 1. 构建基础模型
model = Sequential([
    Dense(64, activation='relu', input_shape=(784,)),
    Dense(10, activation='softmax')
])

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# 2. 准备示例数据集（用MNIST为例）
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# 预处理：展平+归一化
x_train = x_train.reshape(-1, 784).astype('float32') / 255.0
x_test = x_test.reshape(-1, 784).astype('float32') / 255.0

# 3. 定义关键的ModelCheckpoint回调
checkpoint_callback = ModelCheckpoint(
    filepath='full_model_epoch_{epoch:02d}',  # 文件名包含epoch编号，避免覆盖
    save_weights_only=False,  # 核心参数：设为False才会保存完整模型（结构+权重+优化器状态）
    save_best_only=False,  # 每轮都保存，而不是只保留最优模型
    save_format='tf'  # 可选'tf'（推荐，TensorFlow原生格式）或'h5'（HDF5格式）
)

# 4. 启动训练，传入回调
model.fit(
    x_train, y_train,
    epochs=5,
    batch_size=32,
    validation_split=0.1,
    callbacks=[checkpoint_callback]
)

关键说明 #

• save_weights_only=False：这是实现完整模型保存的核心，设置为False时，Keras会保存模型结构、权重、优化器状态、编译配置的全部内容，加载后无需重新编译即可直接使用。
• filepath中的{epoch:02d}：会自动替换为当前训练的epoch编号（比如full_model_epoch_01、full_model_epoch_02），确保每轮的模型都独立保存，不会被覆盖。
• 保存格式选择：
  • tf格式：TensorFlow的原生SavedModel格式，支持跨平台部署、模型扩展等更多特性，推荐使用。
  • h5格式：传统的HDF5文件格式，文件更紧凑，适合简单场景（只需把filepath改成full_model_epoch_{epoch:02d}.h5即可）。

加载保存的模型示例 #

训练完成后，你可以随时加载任意一轮的完整模型：

# 加载第3轮训练后的模型
loaded_model = tf.keras.models.load_model('full_model_epoch_03')

# 直接用加载的模型进行评估或预测
test_loss, test_acc = loaded_model.evaluate(x_test, y_test)
print(f"测试集准确率：{test_acc:.4f}")

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