mindspore/docs/api/api_python/mindspore.train/mindspore.train.callback.CheckpointConfig.rst

.. py:class:: mindspore.train.callback.CheckpointConfig(save_checkpoint_steps=1, save_checkpoint_seconds=0, keep_checkpoint_max=5, keep_checkpoint_per_n_minutes=0, integrated_save=True, async_save=False, saved_network=None, append_info=None, enc_key=None, enc_mode='AES-GCM', exception_save=False)

    保存checkpoint时的配置策略。

    .. note::
        在训练过程中，如果数据集是通过数据通道传输的，建议将 `save_checkpoint_steps` 设为循环下沉step数量的整数倍数，否则，保存checkpoint的时机可能会有偏差。建议同时只设置一种触发保存checkpoint策略和一种保留checkpoint文件总数策略。如果同时设置了 `save_checkpoint_steps` 和 `save_checkpoint_seconds` ，则 `save_checkpoint_seconds` 无效。如果同时设置了 `keep_checkpoint_max` 和 `keep_checkpoint_per_n_minutes` ，则 `keep_checkpoint_per_n_minutes` 无效。

    **参数：**

    - **save_checkpoint_steps** (int) - 每隔多少个step保存一次checkpoint。默认值：1。
    - **save_checkpoint_seconds** (int) - 每隔多少秒保存一次checkpoint。不能同时与 `save_checkpoint_steps` 一起使用。默认值：0。
    - **keep_checkpoint_max** (int) - 最多保存多少个checkpoint文件。默认值：5。
    - **keep_checkpoint_per_n_minutes** (int) - 每隔多少分钟保存一个checkpoint文件。不能同时与 `keep_checkpoint_max` 一起使用。默认值：0。
    - **integrated_save** (bool) - 在自动并行场景下，是否合并保存拆分后的Tensor。合并保存功能仅支持在自动并行场景中使用，在手动并行场景中不支持。默认值：True。
    - **async_save** (bool) - 是否异步执行保存checkpoint文件。默认值：False。
    - **saved_network** (Cell) - 保存在checkpoint文件中的网络。如果 `saved_network` 没有被训练，则保存 `saved_network` 的初始值。默认值：None。
    - **append_info** (list) - 保存在checkpoint文件中的信息。支持"epoch_num"、"step_num"和dict类型。dict的key必须是str，dict的value必须是int、float或bool中的一个。默认值：None。
    - **enc_key** (Union[None, bytes]) - 用于加密的字节类型key。如果值为None，则不需要加密。默认值：None。
    - **enc_mode** (str) - 仅当 `enc_key` 不设为None时，该参数有效。指定了加密模式，目前支持AES-GCM和AES-CBC。默认值：AES-GCM。
    - **exception_save** (bool) - 当有异常发生时，是否保存当前checkpoint文件。默认值：False。

    **异常：**

    - **ValueError** - 输入参数的类型不正确。

    **样例：**

    >>> from mindspore import Model, nn
    >>> from mindspore.train.callback import ModelCheckpoint, CheckpointConfig
    >>>
    >>> class LeNet5(nn.Cell)：
    ...     def __init__(self, num_class=10, num_channel=1)：
    ...         super(LeNet5, self).__init__()
    ...         self.conv1 = nn.Conv2d(num_channel, 6, 5, pad_mode='valid')
    ...         self.conv2 = nn.Conv2d(6, 16, 5, pad_mode='valid')
    ...         self.fc1 = nn.Dense(16 * 5 * 5, 120, weight_init=Normal(0.02))
    ...         self.fc2 = nn.Dense(120, 84, weight_init=Normal(0.02))
    ...         self.fc3 = nn.Dense(84, num_class, weight_init=Normal(0.02))
    ...         self.relu = nn.ReLU()
    ...         self.max_pool2d = nn.MaxPool2d(kernel_size=2, stride=2)
    ...         self.flatten = nn.Flatten()
    ...
    ...     def construct(self, x)：
    ...         x = self.max_pool2d(self.relu(self.conv1(x)))
    ...         x = self.max_pool2d(self.relu(self.conv2(x)))
    ...         x = self.flatten(x)
    ...         x = self.relu(self.fc1(x))
    ...         x = self.relu(self.fc2(x))
    ...         x = self.fc3(x)
    ...         return x
    >>>
    >>> net = LeNet5()
    >>> loss = nn.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')
    >>> optim = nn.Momentum(net.trainable_params(), 0.01, 0.9)
    >>> model = Model(net, loss_fn=loss, optimizer=optim)
    >>> data_path = './MNIST_Data'
    >>> dataset = create_dataset(data_path)
    >>> config = CheckpointConfig(saved_network=net)
    >>> ckpoint_cb = ModelCheckpoint(prefix='LeNet5', directory='./checkpoint', config=config)
    >>> model.train(10, dataset, callbacks=ckpoint_cb)


    .. py:method:: append_dict
        :property:

        获取checkpoint中添加字典里面的值。

    .. py:method:: async_save
        :property:

        获取是否异步保存checkpoint。

    .. py:method:: enc_key
        :property:

        获取加密的key值。

    .. py:method:: enc_mode
        :property:

        获取加密模式。

    .. py:method:: get_checkpoint_policy()

        获取checkpoint的保存策略。

    .. py:method:: integrated_save
        :property:

        获取是否合并保存拆分后的Tensor。

    .. py:method:: keep_checkpoint_max
        :property:

        获取最多保存checkpoint文件的数量。

    .. py:method:: keep_checkpoint_per_n_minutes
        :property:

        获取每隔多少分钟保存一个checkpoint文件。

    .. py:method:: saved_network
        :property:

        获取保存的网络。

    .. py:method:: save_checkpoint_seconds
        :property:

        获取每隔多少秒保存一次checkpoint文件。。

    .. py:method:: save_checkpoint_steps
        :property:

        获取每隔多少个step保存一次checkpoint文件。