Python多次运行model.fit而不恢复模型
背景
我正在看关于机器学习的流行的YouTube速成班。
在3:35:50，他提到这个模型可能太适合了，所以再一次用更少的时间来适应它。
既然他没有恢复模型，这不等于用同样的数据来拟合模型，从而继续过度训练它吗？
我的问题
假设您已经创建了一个模型并准备好了数据。
你跑：
model.fit(train_images, train_labels, epochs=10)
model.fit(train_images, train_labels, epochs=8)相当于运行：
model.fit(train_images, train_labels, epochs=18)或：
model.fit(train_images, train_labels, epochs=8)如果是以前安装的数据是覆盖的。，为什么第二次运行model.fit是从先前模型的准确性开始的呢？
在关于保存和培训模型的多个 其他 问题中，公认的解决方案是加载以前经过培训的模型，然后再次运行model.fit。
如果这将覆盖先前存在的权重，这难道不是一开始就破坏了保存模型的目的吗？第一次在新数据上对模型进行培训，难道不是等同的吗？
在多个相似的数据集之间训练一个模型，同时保持所有数据的准确性的适当方法是什么？
回答 3
Stack Overflow用户
发布于 2020-05-31 18:47:37
既然他没有恢复模型，这不等于用同样的数据来拟合模型，从而继续过度训练它吗？
你说得对！为了检查在他的示例中哪个时期会更好，他应该再次编译网络(也就是说，再次执行上面的单元格)。
只要记住，当您再次实例化模型时，它很可能以全新的权重开始，与过去的权重完全不同(除非手动更改此值)。因此，即使你保持相同数量的历元，你的最终准确度可能会根据初始权重而变化。
这两个命令等效吗？
model.fit(train_images, train_labels, epochs=10)
model.fit(train_images, train_labels, epochs=8)和
model.fit(train_images, train_labels, epochs=18)No.
在第一种情况下，您使用一些权重X对网络进行10次训练，然后将权重更新为一些值y。然后，您将再次培训您的网络，尽管您的所有培训设置8次，但现在您正在使用的权重X+y网络。
对于第二种情况，您将使用权重X 18次通过所有的培训数据来训练您的网络。
，这不一样！
Stack Overflow用户
发布于 2020-05-31 18:32:42
在运行with时
model.fit(train_images, train_labels, epochs=10)
model.fit(train_images, train_labels, epochs=8)正如您前面提到的，模型不会被重新初始化，因此模型对象将在其中包含上一列的值，因此继续。
刚刚意识到这个模型是在colab运行的。
当他跑的时候
model.fit(train_images, train_labels, epochs=10)他第一次训练它，发现它太合适了，然后他的目标是减少到8，然后尝试它。
model.fit(train_images, train_labels, epochs=8)他想要做的是运行8个时期，但是由于它在colab中，而且model.fit()从第一次运行开始仍然在对象中，它的行为就好像它运行了18个历元，并且安装过高。
如何避免过拟合，其中一种方法是使用EarlyStopping和ModelCheckpoint。
Stack Overflow用户
发布于 2020-05-31 19:33:27
为了避免过度拟合，您可以添加Dropout层，它将删除连接的%，您只需将其添加到密集层之间的模型中即可。
from keras.layers import Dropout
Dropout(0.2) # droping 20% only in traininghttps://stackoverflow.com/questions/62120508
复制相似问题
腾讯云开发者
