model.fit的输出返回到一个历史记录中，如下所示： history = model.fit(X_train, y_train,
batch_size=batch_size,
nb_epoch=nb_epoch,
validation_data=(X_test, y_test))
现在，如何将历史记录对象的历史属性保存到文件中以供进一步使用（例如绘制准确率或损失与时期的图）？
我使用的是以下内容：
with open('/trainHistoryDict', 'wb') as file_pi:
pickle.dump(history.history, file_pi)
这样，我将历史记录保存为一个字典，以防后面想要绘制损失或准确率。当您想要重新加载历史记录时，可以使用以下方法：
with open('/trainHistoryDict', "rb") as file_pi:
history = pickle.load(file_pi)
这个答案下的评论准确地说明了：
[将历史记录存储为json]在tensorflow keras中不再起作用。 我遇到了TypeError：Object of type 'float32' is not JSON serializable.
有方法可以告诉json如何编码numpy对象，可以从这个问题中了解到，因此在这种情况下使用json没有问题，但相对于将数据转储到pickle文件中而言，会更加复杂。
由于history.history是一个字典，你也可以将其转换为一个pandas的DataFrame对象，然后根据你的需求进行保存。
步骤如下：
import pandas as pd
# assuming you stored your model.fit results in a 'history' variable:
history = model.fit(x_train, y_train, epochs=10)
# convert the history.history dict to a pandas DataFrame:
hist_df = pd.DataFrame(history.history)
# save to json:
hist_json_file = 'history.json'
with open(hist_json_file, mode='w') as f:
hist_df.to_json(f)
# or save to csv:
hist_csv_file = 'history.csv'
with open(hist_csv_file, mode='w') as f:
hist_df.to_csv(f)
最简单的方法：
保存：
np.save('my_history.npy',history.history)
加载中:
history=np.load('my_history.npy',allow_pickle='TRUE').item()
那么历史就像一个字典，你可以使用键来检索所有需要的值。
模型历史可以按照以下方式保存到文件中：model.save(filepath)
import json
hist = model.fit(X_train, y_train, epochs=5, batch_size=batch_size,validation_split=0.1)
with open('file.json', 'w') as f:
json.dump(hist.history, f)
json指定编码器。因此，虽然这段代码不起作用，但如果您使用cls参数指定编码器，则json仍然可行。 - Kraigolas一个 history 对象拥有一个 history 字段，它是一个字典，存储了跨越每个训练时期的不同训练指标。例如，history.history['loss'][99] 将返回模型在第100个训练时期的损失。为了保存它，您可以将这个字典 pickle 或者直接将此字典中的不同列表保存到适当的文件中。
import json,codecs
import numpy as np
def saveHist(path,history):
new_hist = {}
for key in list(history.history.keys()):
new_hist[key]=history.history[key]
if type(history.history[key]) == np.ndarray:
new_hist[key] = history.history[key].tolist()
elif type(history.history[key]) == list:
if type(history.history[key][0]) == np.float64:
new_hist[key] = list(map(float, history.history[key]))
print(new_hist)
with codecs.open(path, 'w', encoding='utf-8') as file:
json.dump(new_hist, file, separators=(',', ':'), sort_keys=True, indent=4)
def loadHist(path):
with codecs.open(path, 'r', encoding='utf-8') as file:
n = json.loads(file.read())
return n
在这里，saveHist只需要获取应该保存json文件的路径以及从keras的fit或fit_generator方法返回的history对象。
model.fit()）附加到重新加载的历史记录中，那就更好了。我正在研究这个问题。 - Mark Cramernewchars, decodedbytes = self.decode(data, self.errors) - Mubeen Khan我相信有很多方法可以做到这一点，但我自己尝试了一下并想出了自己的版本。
首先，一个定制的回调函数使得在每个时期结束时能够获取和更新历史记录。在这里我还有一个回调来保存模型。这两个都很方便，因为如果你崩溃或关闭，你可以从最后完成的时期重新开始训练。
class LossHistory(Callback):
# https://dev59.com/O7Dla4cB1Zd3GeqP50sw#53653154
def on_epoch_end(self, epoch, logs = None):
new_history = {}
for k, v in logs.items(): # compile new history from logs
new_history[k] = [v] # convert values into lists
current_history = loadHist(history_filename) # load history from current training
current_history = appendHist(current_history, new_history) # append the logs
saveHist(history_filename, current_history) # save history from current training
model_checkpoint = ModelCheckpoint(model_filename, verbose = 0, period = 1)
history_checkpoint = LossHistory()
callbacks_list = [model_checkpoint, history_checkpoint]
其次，以下是一些“辅助”函数，它们能够确切地执行它们所声明的任务。这些函数都从LossHistory()回调函数中调用。
# https://dev59.com/hlgR5IYBdhLWcg3wp-q5#54092401
import json, codecs
def saveHist(path, history):
with codecs.open(path, 'w', encoding='utf-8') as f:
json.dump(history, f, separators=(',', ':'), sort_keys=True, indent=4)
def loadHist(path):
n = {} # set history to empty
if os.path.exists(path): # reload history if it exists
with codecs.open(path, 'r', encoding='utf-8') as f:
n = json.loads(f.read())
return n
def appendHist(h1, h2):
if h1 == {}:
return h2
else:
dest = {}
for key, value in h1.items():
dest[key] = value + h2[key]
return dest
接下来，您只需要将history_filename设置为类似于data/model-history.json的内容，同时将model_filename设置为类似于data/model.h5的内容。在训练结束时，为了确保不会破坏您的历史记录（假设您停止并重新开始），并将回调函数插入其中，可以进行最后的微调：
new_history = model.fit(X_train, y_train,
batch_size = batch_size,
nb_epoch = nb_epoch,
validation_data=(X_test, y_test),
callbacks=callbacks_list)
history = appendHist(history, new_history.history)
每当您需要时，history = loadHist(history_filename) 就可以将您的历史记录加载回来。
这个方法的巧妙之处在于使用了JSON和列表，但是我没有办法在不进行迭代转换的情况下使其正常工作。不管怎样，我知道这个方法可行，因为我已经在上面工作了数天。可能在 https://dev59.com/hlgR5IYBdhLWcg3wp-q5#44674337 中使用 pickle.dump 更好，但我不知道那是什么。如果我遗漏了什么或者您无法使其正常工作，请告诉我。
tf.keras.callbacks.History的历史属性保存为.txt格式。with open("./result_model.txt",'w') as f:
for k in history.history.keys():
print(k,file=f)
for i in history.history[k]:
print(i,file=f)
这里有一个回调函数，可以将日志存储到文件中。在实例化回调对象时提供模型文件路径，这将创建一个关联的文件 - 假设模型路径为'/home/user/model.h5'，则pickle文件路径为'/home/user/model_history_pickle'。重新加载模型时，回调将从上次停止的epoch继续。
import os
import re
import pickle
#
from tensorflow.keras.callbacks import Callback
from tensorflow.keras import backend as K
class PickleHistoryCallback(Callback):
def __init__(self, path_file_model, *args, **kwargs):
super().__init__(*args, **kwargs)
self.__path_file_model = path_file_model
#
self.__path_file_history_pickle = None
self.__history = {}
self.__epoch = 0
#
self.__setup()
#
def __setup(self):
self.__path_file_history_pickle = re.sub(r'\.[^\.]*$', '_history_pickle', self.__path_file_model)
#
if (os.path.isfile(self.__path_file_history_pickle)):
with open(self.__path_file_history_pickle, 'rb') as fd:
self.__history = pickle.load(fd)
# Start from last epoch
self.__epoch = self.__history['e'][-1]
#
else:
print("无法找到已存储的历史记录文件；将在第一次训练周期后创建以下存储的历史记录文件:\n\t{}".format(
self.__path_file_history_pickle))
#
def __update_history_file(self):
with open(self.__path_file_history_pickle, 'wb') as fd:
pickle.dump(self.__history, fd)
#
def on_epoch_end(self, epoch, logs=None):
self.__epoch += 1
logs = logs or {}
#
logs['e'] = self.__epoch
logs['lr'] = K.get_value(self.model.optimizer.lr)
#
for k, v in logs.items():
self.__history.setdefault(k, []).append(v)
#
self.__update_history_file()
以上答案在训练过程结束时保存历史记录时非常有用。如果您想在训练期间保存历史记录，CSVLogger回调函数将会很有帮助。
以下代码将以数据表格文件的形式保存模型权重和历史训练记录，文件名为log.csv。
model_cb = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path)
history_cb = tf.keras.callbacks.CSVLogger('./log.csv', separator=",", append=False)
history = model.fit(callbacks=[model_cb, history_cb])
CSVLogger()回调函数，如此处所述：https://keras.io/callbacks/#csvlogger - swiss_knightfit返回的 history 对象吗？它包含了.params属性中的有用信息，我也想保留它。是的，我可以分别保存params和history属性，或者将它们组合成一个字典，但我对一种简单的保存整个history对象的方法感兴趣。 - user3731622