---
term: "Checkpoint"
slug: "checkpoint"
glossar_id: "G115"
variants: ["Modellcheckpoint"]
category: "training-daten-und-modellanpassung"
marker: ""
short: "Gespeicherter Zustand der Modellparameter während oder nach dem Training."
sources:
  - label: "PyTorch Saving and Loading Models"
    url: "https://docs.pytorch.org/tutorials/beginner/saving_loading_models.html"
  - label: "Google ML Glossary"
    url: "https://developers.google.com/machine-learning/glossary"
  - label: "PyTorch Checkpoint-Dokumentation"
    url: "https://docs.pytorch.org/docs/stable/checkpoint.html"
status: "entwurf"
updated: "2026-09-20"
---

Ein Checkpoint ist ein gespeicherter Zustand eines Modells während oder nach dem Training. ([PyTorch Saving and Loading Models](https://docs.pytorch.org/tutorials/beginner/saving_loading_models.html)) Soll das Training später fortgesetzt werden, werden neben den Modellgewichten typischerweise weitere Zustände gespeichert, insbesondere die des Optimierers. ([PyTorch Saving and Loading Models](https://docs.pytorch.org/tutorials/beginner/saving_loading_models.html))

## So kannst du dir das vorstellen

Stell dir einen Zwischenstand bei einer aufwendigen Bearbeitung vor. Du sicherst nicht nur das bisherige Ergebnis, sondern gegebenenfalls auch die Informationen, mit denen du den Arbeitsprozess an genau dieser Stelle fortsetzen kannst.

Für eine reine Vorführung genügt möglicherweise das Ergebnis. Für die Weiterarbeit brauchst du mehr Kontext. Entsprechend solltest du unterscheiden, ob eine Datei nur zur Anwendung eines Modells oder zur Wiederaufnahme seines Trainings vorgesehen ist.

## Gewichte allein sind nicht der ganze Trainingszustand

Eine PyTorch-Zustandsdatei des Modells enthält Parameter und registrierte weitere Zustandswerte; ein allgemeiner Trainingscheckpoint kann zusätzlich Optimiererzustand, Epoche und Verlustwert enthalten. ([PyTorch Saving and Loading Models](https://docs.pytorch.org/tutorials/beginner/saving_loading_models.html)) Zum Laden müssen außerdem Modellaufbau und vorgesehener Verwendungsmodus berücksichtigt werden. ([PyTorch Saving and Loading Models](https://docs.pytorch.org/tutorials/beginner/saving_loading_models.html))

Die Bezeichnung „Checkpoint“ sagt deshalb allein noch nicht, welche Bestandteile tatsächlich enthalten sind. Verlange bei einer Übergabe eine kurze Beschreibung des Inhalts und der passenden Ladeumgebung.

## Ein Zwischenstand ist kein Gütesiegel

Training kann so weit gehen, dass die Leistung auf neuen Daten schlechter wird, obwohl sich der Trainingsverlust weiter verbessert. ([Google ML Glossary](https://developers.google.com/machine-learning/glossary)) Der zuletzt gespeicherte Checkpoint ist daher nicht automatisch derjenige, den du ausliefern möchtest.

Ordne jedem für die Auswahl relevanten Stand die passenden Validierungsergebnisse zu. Bewahre außerdem die ursprüngliche Modellversion auf, wenn du später Anpassungen vergleichen möchtest.

Gradient Checkpointing meint einen anderen Vorgang: Dabei werden Zwischenberechnungen für die Rückwärtsrechnung teilweise neu erzeugt, um Arbeitsspeicher zu sparen. ([PyTorch Checkpoint-Dokumentation](https://docs.pytorch.org/docs/stable/checkpoint.html)) Das ersetzt keinen gespeicherten Wiederanlaufpunkt.

## Verwandte Begriffe

Zur Abgrenzung dienen **Model Parameters**, **Optimizer**, **Early Stopping**, **Gradient Checkpointing** und **Fine-Tuning**.