备份和恢复

[源代码]

BackupAndRestore 类

tf_keras.callbacks.BackupAndRestore(
    backup_dir, save_freq="epoch", delete_checkpoint=True, save_before_preemption=False
)

用于备份和恢复训练状态的回调。

BackupAndRestore 回调旨在通过在每个 epoch 结束时，在临时检查点文件中备份训练状态（借助 tf.train.CheckpointManager），从而从 Model.fit 执行过程中发生的意外中断中恢复训练。每次备份都会覆盖先前写入的检查点文件，因此在任何给定时间，最多只有一个这样的检查点文件用于备份/恢复目的。

如果在完成之前重新开始训练，则训练状态（包括 Model 权重和 epoch 编号）将在新的 Model.fit 运行开始时恢复到最近保存的状态。在 Model.fit 运行完成时，将删除临时检查点文件。

请注意，用户有责任在中断后恢复作业。此回调对于容错目的的备份和恢复机制至关重要，并且预计要从先前检查点恢复的模型与用于备份的模型相同。如果用户更改传递给编译或拟合的参数，则为容错保存的检查点可能会失效。

注意

1. 此回调与禁用 eager execution 不兼容。
2. 检查点在每个 epoch 结束时保存。恢复后，Model.fit 会重新完成训练重新启动的未完成 epoch 中的任何部分工作（因此中断之前完成的工作不会影响最终模型状态）。
3. 这适用于单 worker 和多 worker 模式。当 Model.fit 与 tf.distribute 一起使用时，它支持 tf.distribute.MirroredStrategy, tf.distribute.MultiWorkerMirroredStrategy, tf.distribute.TPUStrategy 和 tf.distribute.experimental.ParameterServerStrategy。

示例

>>> class InterruptingCallback(tf.keras.callbacks.Callback):
...   def on_epoch_begin(self, epoch, logs=None):
...     if epoch == 4:
...       raise RuntimeError('Interrupting!')
>>> callback = tf.keras.callbacks.BackupAndRestore(backup_dir="/tmp/backup")
>>> model = tf.keras.models.Sequential([tf.keras.layers.Dense(10)])
>>> model.compile(tf.keras.optimizers.SGD(), loss='mse')
>>> try:
...   model.fit(np.arange(100).reshape(5, 20), np.zeros(5), epochs=10,
...             batch_size=1, callbacks=[callback, InterruptingCallback()],
...             verbose=0)
... except:
...   pass
>>> history = model.fit(np.arange(100).reshape(5, 20), np.zeros(5),
...                     epochs=10, batch_size=1, callbacks=[callback],
...                     verbose=0)
>>> # Only 6 more epochs are run, since first training got interrupted at
>>> # zero-indexed epoch 4, second training will continue from 4 to 9.
>>> len(history.history['loss'])
6

除了在每个 epoch 或每 N 步结束时保存的选项外，如果您正在使用 tf.distribute.MultiWorkerMirroredStrategy 在 Google Cloud Platform 或 Google Borg 上进行分布式训练，您还可以使用 save_before_preemption 参数来启用在 worker 被其他作业抢占并且训练中断之前立即保存检查点。有关更多详细信息，请参见 tf.distribute.experimental.PreemptionCheckpointHandler。

参数

• backup_dir：字符串，用于存储检查点的路径。例如：backup_dir = os.path.join(working_dir, 'backup')。这是系统存储临时文件以从意外终止的作业中恢复模型的目录。该目录不能在其他地方重用以存储其他文件，例如，由另一个训练运行的 BackupAndRestore 回调或同一训练的另一个回调（例如 ModelCheckpoint）使用。
• save_freq：'epoch'、整数或 False。当设置为 'epoch' 时，回调会在每个 epoch 结束时保存检查点。当设置为整数时，回调会每 save_freq 个批次保存检查点。如果仅使用抢占检查点（使用 save_before_preemption=True），请将 save_freq 设置为 False。
• delete_checkpoint：布尔值，默认为 True。此 BackupAndRestore 回调通过保存检查点来备份训练状态。如果 delete_checkpoint=True，则在训练完成后将删除检查点。如果您想保留检查点以供将来使用，请使用 False。
• save_before_preemption：一个布尔值，指示是否启用针对抢占/维护事件的自动检查点保存。目前，这仅支持在 Google Cloud Platform 或 Google Borg 上使用 tf.distribute.MultiWorkerMirroredStrategy。