如何设置Checkpoint检查点

“Checkpoint（检查点）”在不同技术场景下含义和实现方式差别很大。下面按常见场景给你分别说明，你可以对照自己的情况使用。

一、深度学习 / 机器学习（PyTorch / TensorFlow）

1️⃣ PyTorch 中设置 Checkpoint

保存：

torch.save({
    'epoch': epoch,
    'model_state_dict': model.state_dict(),
    'optimizer_state_dict': optimizer.state_dict(),
    'loss': loss,
}, 'checkpoint.pth')

加载：

checkpoint = torch.load('checkpoint.pth')
model.load_state_dict(checkpoint['model_state_dict'])
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
epoch = checkpoint['epoch']

建议：

• 每个 epoch 或每 N 步保存一次
• 保留 best_model.pth 和 latest.pth

2️⃣ TensorFlow / Keras

checkpoint_path = "checkpoint.ckpt"
checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(
    checkpoint_path,
    save_weights_only=True,
    save_best_only=True,
    monitor='val_loss'
)

model.fit(x, y, callbacks=[checkpoint_callback])

二、数据库（如 PostgreSQL）

Checkpoint 作用

将内存中的数据刷写到磁盘，保证崩溃后可恢复。

常见设置（postgresql.conf）

checkpoint_timeout = 5min
checkpoint_completion_target = 0.9
max_wal_size = 1GB

手动触发：

CHECKPOINT;

三、Spark / 大数据（Streaming Checkpoint）

Spark Structured Streaming

query = df.writeStream \
    .outputMode("append") \
    .option("checkpointLocation", "/path/to/checkpoint") \
    .start()

✅ 用于故障恢复，避免重复计算

四、训练任务中断续训（通用思路）

Checkpoint 通常包含：

• 模型参数
• 优化器状态
• 当前 step / epoch
• 随机种子

原则：

可恢复 ≠ 只存模型，必须能“接着训”

五、如果你是指“流程 / 系统检查点”

如：

• 工作流（Airflow）
• 分布式任务
• 仿真系统

一般做法：

• 定时快照状态
• 记录进度指针
• 支持回滚到最近稳定点

六、你可以告诉我

为了给你更精准的回答，请补充：

1. 使用的框架 / 语言（PyTorch？Spark？数据库？）
2. 目的是训练恢复 / 容错 / 性能优化？
3. 是否已有代码或配置？

我可以直接帮你写一份可用的 Checkpoint 方案。