本篇是搬运，参考连接：
深度学习之早停策略EarlyStopping以及保存测试集准确率最高的模型ModelCheckpoint-CSDN博客

主要记录一下如何保存训练效果最好的模型：
使用ModelCheckpoint

函数：

tf.keras.callbacks.ModelCheckpoint(filepath, 
								monitor='val_loss', 
								verbose=0, 
								save_best_only=False, 
								save_weights_only=False, 
								mode='auto', 
								period=1)

参数说明：
 

1.filename：字符串，保存模型的路径，filepath可以是格式化的字符串，里面的占位符将会被epoch值和传入on_epoch_end的logs关键字所填入。
例如：filepath = “weights_{epoch:03d}-{val_loss:.4f}.h5”，则会生成对应epoch和测试集loss的多个文件。

2.monitor：需要监视的值，通常为：val_acc 、 val_loss 、 acc 、 loss四种。

3.verbose：信息展示模式，0或1。为1表示输出epoch模型保存信息，默认为0表示不输出该信息。

4.save_best_only：当设置为True时，将只保存在测试集上性能最好的模型。

5.mode：‘auto’，‘min’，‘max’之一，在save_best_only=True时决定性能最佳模型的评判准则，例如，当监测值为val_acc时，模式应为max，当检测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断。

6.save_weights_only：若设置为True，则只保存模型权重，否则将保存整个模型（包括模型结构，配置信息等）。

7.period：CheckPoint之间的间隔的epoch数。

使用例子：

from tensorflow.keras.callbacks import ModelCheckpoint, Callback, EarlyStopping



checkpointer = ModelCheckpoint('best_model.h5',
                                monitor='val_accuracy',
                                verbose=0,
                                save_best_only=True,
                                save_weights_only=True,
                                mode = 'max')
#调用
train_model  = model.fit(train_ds,
                  epochs=epochs,
                  validation_data=test_ds,
                  callbacks=[earlystopper, checkpointer]#<-看这儿)