本次演示使用MindSpore。所以首先需要安装MindSpore。大家可以参考MindSpore官网页面安装：https://www.mindspore.cn/install
在使用MindSpore进行模型训练过程中，首先添加检查点(CheckPoint)保存模型的参数，这样在后面进行推理及再训练的时候使用很方便。
CheckPoint：MindSpore存储了所有训练参数值的二进制文件。是采用的Google的Protocol Buffers机制，在开发语言方面边界，具有良好的可扩展性。CheckPoint的protocol格式定义在mindspore/ccsrc/utils/checkpoint.proto中。
-
保存CheckPoint文件方法：
在模型训练的过程中，需要使用Callback机制传入回调函数ModelCheckpoint对象，可以保存模型参数，生成CheckPoint文件。
通过CheckpointConfig对象可以设置CheckPoint的保存策略。保存的参数分为网络参数和优化器参数。
ModelCheckpoint提供默认配置策略，方便用户快速上手。具体用法如下：
from mindspore.train.callback import ModelCheckpoint
ckpoint_cb = ModelCheckpoint()
model.train(epoch_num, dataset, callbacks=ckpoint_cb)
-
可以根据个人的具体需求对CheckPoint进行配置。基本的用法如下：
from mindspore.train.callback import ModelCheckpoint, CheckpointConfig
config_ck = CheckpointConfig(save_checkpoint_steps=32, keep_checkpoint_max=10)
ckpoint_cb = ModelCheckpoint(prefix='resnet50', directory=None, config=config_ck)
model.train(epoch_num, dataset, callbacks=ckpoint_cb)
-
以上示例代码中，首先需要初始化一个CheckpointConfig类对象，用来设置保存策略。
save_checkpoint_steps：表示每隔多少个step保存一次。
keep_checkpoint_max：表示最多保留CheckPoint文件的数量。
prefix：表示生成CheckPoint文件的前缀名。
directory：表示存放文件的目录。
创建一个ModelCheckpoint对象把它传递给model.train方法，就可以在训练过程中使用CheckPoint功能了。
生成的CheckPoint文件如下：
resnet50-graph.meta # 编译后的计算图
resnet50-1_32.ckpt # CheckPoint文件后缀名为'.ckpt'
resnet50-2_32.ckpt # 文件的命名方式表示保存参数所在的epoch和step数
resnet50-3_32.ckpt # 表示保存的是第3个epoch的第32个step的模型参数
...
-
用户使用相同的前缀名，运行多次训练脚本，可能会生成同名CheckPoint文件。MindSpore为方便用户区分每次生成的文件，会在用户定义的前缀后添加”_”和数字加以区分。如果想要删除.ckpt文件时，请同步删除.meta 文件。
例：resnet50_3-2_32.ckpt 表示运行第3次脚本生成的第2个epoch的第32个step的CheckPoint文件。
-
5
CheckPoint配置策略：
MindSpore有两种保存CheckPoint策略：迭代策略和时间策略，可以通过创建CheckpointConfig对象设置相应策略。 CheckpointConfig中有四个参数可以自定义设置：
(1)save_checkpoint_steps：表示每隔多少个step保存一个CheckPoint文件，默认值为1。
(2)save_checkpoint_seconds：表示每隔多少秒保存一个CheckPoint文件，默认值为0。
(3)keep_checkpoint_max：表示最多保存多少个CheckPoint文件，默认值为5。
(4)keep_checkpoint_per_n_minutes：表示每隔多少分钟保留一个CheckPoint文件，默认值为0。
(5)save_checkpoint_steps和keep_checkpoint_max为迭代策略，根据训练迭代的次数进行配置。 save_checkpoint_seconds和keep_checkpoint_per_n_minutes为时间策略，根据训练的时长进行配置。
两种策略不能同时使用，迭代策略优先级高于时间策略，当同时设置时，只有迭代策略可以生效。当参数显示设置为None时，表示放弃该策略。在迭代策略脚本正常结束的情况下，会默认保存最后一个step的CheckPoint文件。