关于保存模型的资料已经有很多了，但我一直在努力弄清楚如何仅在我模型的val_accuracy有所提高时保存它。我的模型如下所示：

model = keras.Sequential([    keras.layers.Embedding(numberOfWords,                           embedding_vector_length, input_length=1000),    keras.layers.LSTM(128),    keras.layers.Dropout(0.3),    keras.layers.Dense(128, activation='relu'),    keras.layers.Dropout(0.3),    keras.layers.Dense(64, activation='relu'),    keras.layers.Dropout(0.3),    keras.layers.Dense(1, activation='sigmoid')])model.compile(optimizer=tf.keras.optimizers.Adam(lr=1e-3, decay=1e-5), loss='binary_crossentropy',              metrics=['accuracy'])model.fit(x_train, y_train, epochs=200, batch_size=32,          validation_data=(x_test, y_test))

在训练过程中，我希望在第一个epoch之后保存模型。然后，在每个epoch之后，如果val_accuracy有所提高，我希望用新的模型覆盖旧模型。

我该如何做到这一点？

回答：

你只需要定义一个回调列表，并将其输入到model.fit声明中：Keras_fit 在这个例子中，它只是保存最佳权重，所以实际上是覆盖旧的权重，并将其保存为hdf5格式。希望这能解决你的问题 🙂

from keras.callbacks import ModelCheckpointfilepath="weights.best.hdf5"checkpoint = ModelCheckpoint(filepath, monitor='val_acc', verbose=1,save_best_only=True, mode='max')callbacks_list = [checkpoint]model.fit(x_train, y_train, epochs=200,,callbacks=callbacks_list, batch_size=32,          validation_data=(x_test, y_test))