加载经过训练的Keras模型并继续训练
我想知道是否有可能保存一个部分训练的Keras模型，并在再次加载该模型后继续训练。
这样做的原因是，我将来会有更多的训练数据，我不想再次重新训练整个模型。
我使用的函数是：
#Partly train model
model.fit(first_training, first_classes, batch_size=32, nb_epoch=20)
#Save partly trained model
model.save('partly_trained.h5')
#Load partly trained model
from keras.models import load_model
model = load_model('partly_trained.h5')
#Continue training
model.fit(second_training, second_classes, batch_size=32, nb_epoch=20)编辑1:添加了完全正常工作的示例
对于10个历元之后的第一个数据集，最后一个历元的损失将为0.0748，准确率为0.9863。
在保存、删除和重新加载模型后，在第二个数据集上训练的模型的损失和准确率将分别为0.1711和0.9504。
这是由新的训练数据还是完全重新训练的模型引起的？
"""
Model by: http://machinelearningmastery.com/
"""
# load (downloaded if needed) the MNIST dataset
import numpy
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import np_utils
from keras.models import load_model
numpy.random.seed(7)
def baseline_model():
model = Sequential()
model.add(Dense(num_pixels, input_dim=num_pixels, init='normal', activation='relu'))
model.add(Dense(num_classes, init='normal', activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
if __name__ == '__main__':
# load data
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# flatten 28*28 images to a 784 vector for each image
num_pixels = X_train.shape[1] * X_train.shape[2]
X_train = X_train.reshape(X_train.shape[0], num_pixels).astype('float32')
X_test = X_test.reshape(X_test.shape[0], num_pixels).astype('float32')
# normalize inputs from 0-255 to 0-1
X_train = X_train / 255
X_test = X_test / 255
# one hot encode outputs
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
num_classes = y_test.shape[1]
# build the model
model = baseline_model()
#Partly train model
dataset1_x = X_train[:3000]
dataset1_y = y_train[:3000]
model.fit(dataset1_x, dataset1_y, nb_epoch=10, batch_size=200, verbose=2)
# Final evaluation of the model
scores = model.evaluate(X_test, y_test, verbose=0)
print("Baseline Error: %.2f%%" % (100-scores[1]*100))
#Save partly trained model
model.save('partly_trained.h5')
del model
#Reload model
model = load_model('partly_trained.h5')
#Continue training
dataset2_x = X_train[3000:]
dataset2_y = y_train[3000:]
model.fit(dataset2_x, dataset2_y, nb_epoch=10, batch_size=200, verbose=2)
scores = model.evaluate(X_test, y_test, verbose=0)
print("Baseline Error: %.2f%%" % (100-scores[1]*100))编辑2: tensorflow.keras备注
对于tensorflow.keras，在模型拟合中将参数nb_epochs更改为epochs。imports和basemodel函数是：
import numpy
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.models import load_model
numpy.random.seed(7)
def baseline_model():
model = Sequential()
model.add(Dense(num_pixels, input_dim=num_pixels, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model回答 7
Stack Overflow用户
发布于 2017-03-08 19:45:28
实际上- model.save在您的案例中保存了重新开始培训所需的所有信息。唯一可能被重新加载模型破坏的是您的优化器状态。要检查这一点-请尝试save并重新加载模型，并在训练数据上对其进行训练。
Stack Overflow用户
发布于 2020-04-06 13:37:38
上面的大多数答案都涵盖了重要的几点。如果您使用的是最新的Tensorflow (TF2.1或更高版本)，那么下面的示例将对您有所帮助。代码的模型部分来自Tensorflow网站。
import tensorflow as tf
from tensorflow import keras
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
def create_model():
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(512, activation=tf.nn.relu),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy',metrics=['accuracy'])
return model
# Create a basic model instance
model=create_model()
model.fit(x_train, y_train, epochs = 10, validation_data = (x_test,y_test),verbose=1)请将模型保存为*.tf格式。根据我的经验，如果您定义了任何custom_loss，*.h5格式将不会保存优化器状态，因此，如果您想要从我们离开的地方重新训练模型，将不会达到您的目的。
# saving the model in tensorflow format
model.save('./MyModel_tf',save_format='tf')
# loading the saved model
loaded_model = tf.keras.models.load_model('./MyModel_tf')
# retraining the model
loaded_model.fit(x_train, y_train, epochs = 10, validation_data = (x_test,y_test),verbose=1)这种方法将在保存模型之前从我们离开的地方重新开始训练。正如其他人所提到的，如果你想保存最佳模型的权重，或者你想保存每个时期的模型权重，你需要使用keras回调函数(ModelCheckpoint)以及save_weights_only=True、save_freq='epoch'和save_best_only等选项。
Stack Overflow用户
发布于 2017-12-28 23:53:37
问题可能是您使用了不同的优化器-或者优化器的参数不同。我用一个自定义的预训练模型也遇到了同样的问题，使用
reduce_lr = ReduceLROnPlateau(monitor='loss', factor=lr_reduction_factor,
patience=patience, min_lr=min_lr, verbose=1)对于预先训练的模型，其中原始学习率从0.0003开始，并且在预训练期间将其降低到min_learning率，其为0.000003
我只是将这一行复制到使用预训练模型的脚本中，结果得到了非常糟糕的精度。直到我注意到预训练模型的最后一个学习率是最小学习率，即0.000003。如果我从这个学习率开始，我得到的精度与预训练模型的输出完全相同-这是有意义的，因为从比预训练模型中使用的最后一个学习率大100倍的学习率开始，将导致GD的巨大超调，从而导致精度严重下降。
https://stackoverflow.com/questions/42666046
复制相似问题