Checkpoint检查点如何配置

“Checkpoint（检查点）”在不同技术场景下含义和配置方式差别很大。下面按最常见场景分别说明，你可以对照自己的使用环境：

一、深度学习 / 训练框架（PyTorch / TensorFlow）

1. PyTorch 手动配置

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

恢复：

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

2. Hugging Face Trainer

training_args = TrainingArguments(
    output_dir='./results',
    save_strategy='epoch',     # 或 steps
    save_steps=500,            # 每多少步保存
    save_total_limit=3         # 最多保留几个
)

3. TensorFlow / Keras

ckpt = tf.keras.callbacks.ModelCheckpoint(
    'model_{epoch:02d}.h5',
    save_best_only=True,
    monitor='val_loss',
    save_freq='epoch'
)
model.fit(..., callbacks=[ckpt])

二、数据库（如 PostgreSQL）

checkpoint_timeout = 5min
checkpoint_completion_target = 0.9
max_wal_size = 1GB

配置文件：postgresql.conf

三、大数据 / 流处理（Flink / Spark）

Flink

env.enableCheckpointing(5000); // 5秒一次
env.getCheckpointConfig().setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE);

Spark Structured Streaming

.option("checkpointLocation", "/path/to/checkpoint")

四、你具体是指哪一种？

如果你能告诉我：

• 使用的框架/系统
• 是训练模型 / 数据库 / 流计算 / 其他

我可以给你更精确、可直接用的配置示例。