我的问题很简单，但我在网上找不到明确的答案(到目前为止(。
在定义数量的训练周期后，我保存了使用 adam 优化器训练的 keras 模型的权重：
callback = tf.keras.callbacks.ModelCheckpoint(filepath=path, save_weights_only=True)
model.fit(X,y,callbacks=[callback])
当我在关闭 jupyter 后恢复训练时，我可以简单地使用：
model.load_weights(path)
继续培训。
由于 Adam 依赖于纪元数(例如在学习率衰减的情况下(，我想知道在与以前相同的条件下恢复训练的最简单方法。
根据 ibarrond 的回答，我写了一个小的自定义回调。
optim = tf.keras.optimizers.Adam()
model.compile(optimizer=optim, loss='categorical_crossentropy',metrics=['accuracy'])
weight_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path, save_weights_only=True, verbose=1, save_best_only=False)
class optim_callback(tf.keras.callbacks.Callback):
'''Custom callback to save optimiser state'''
def on_epoch_end(self,epoch,logs=None):
optim_state = tf.keras.optimizers.Adam.get_config(optim)
with open(optim_state_pkl,'wb') as f_out:
pickle.dump(optim_state,f_out)
model.fit(X,y,callbacks=[weight_callback,optim_callback()])
当我恢复训练时：
model.load_weights(checkpoint_path)
with open(optim_state_pkl,'rb') as f_out:
optim_state = pickle.load(f_out)
tf.keras.optimizers.Adam.from_config(optim_state)
我只想检查一下这是否正确。再次感谢！！
附录：在进一步阅读 Adam 的默认 Keras 实现和原始 Adam 论文时，我相信默认的 Adam 不依赖于纪元数，而只依赖于迭代号。因此，这是不必要的。但是，对于希望跟踪其他优化器的任何人来说，该代码可能仍然有用。
为了完美捕获优化器的状态，您应该使用函数get_config()存储其配置。此函数返回一个字典(包含选项(，可以使用pickle序列化并存储在文件中。
要重新启动该过程，只需d = pickle.load('my_saved_tfconf.txt')使用配置检索字典，然后使用 Keras Adam 优化器的函数from_config(d)生成您的 Adam 优化器。