通过加载和保存权重来继续训练 Keras 模型

Question

由于包不一致而无法安装 h5py，我想知道是否可以在 Keras 中保存和加载权重以继续在新数据上训练您的模型。我知道我可以做到以下几点：

   old_weights = model.get_weights()
   del model
   new_model.set_weights(old_weights)

其中模型是旧模型，new_model是新模型。下面是一个完整的示例：

for i in training data:
    model = Sequential()
    model.add(Dense(20, activation='tanh', input_dim=Input))
    model.add(Dense(1))
    model.compile(optimizer='adam', loss='mse')
    model.fit(X, y, epochs=8, batch_size=16, shuffle=False, verbose=0)
    new_model = Sequential()
    new_model.add(Dense(20, activation='tanh', input_dim=Input))
    new_model.add(Dense(1))
    new_model.compile(optimizer='adam', loss='mse')
    old_weights = model.get_weights()
    del model
    new_model.set_weights(old_weights)
    model=new_model

我想在阅读每个训练示例(X 和 y 在每次迭代中都不同(后保存权重并再次加载它并从预先训练的模型开始。我不确定我的代码是否这样做，因为我再次定义了优化器和 model.compile。如果以下代码保存模型并且每次迭代都从预先训练的模型开始，任何人都可以帮助我。

Answer 1

你不需要

不断重新编译模型。相反，只需在加载样本后多次拟合模型即可。

from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
model.add(Dense(20, activation='tanh', input_dim=Input))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')
# load the data into training_data 
for data in training_data:  
    model.fit(data[0], data[1], epochs=8, batch_size=16, shuffle=False, verbose=0)