Question

有人告诉我有关这种类型的实验的信息。第一步是训练CNN并保持权重，第二步是使用这些权重来重新训练此CNN，但这一次将更多数据添加到您的训练集中（微调）。

我想这就像是转移学习，但带有您要训练的CNN。有没有一种方法可以在训练CNN之前选择权重，然后选择要提交的权重？

所以到目前为止，我的工作是训练CNN模型并将权重保存到h5文件中，并使用以下代码

model.compile(loss='categorical_crossentropy', optimizer=opt,metrics=['accuracy'])
validation_data=(x_testcnn, y_test))
checkpoint_path= 'scratchmodel.best.h5'
save_dir = os.path.join(os.getcwd(), 'weights')
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,
                                             save_weights_only=True,
                                             verbose=1)
 cnnhistory=model.fit(x_traincnn, 
      y_train,
      batch_size=16,           
      epochs=400,
      validation_data=(x_testcnn,y_test),
      callbacks=[cp_callback])

现在，我想使用相同的权重来训练相同的CNN，但是这次将数据添加到训练集中。有没有办法做到这一点？感谢您的帮助。

Answer 1

是的，您只需要将权重加载到新创建的模型中，然后使用新数据进行训练即可。

from tensorflow.python.keras.models import load_model #Tensorflow 2.0

new_model.compile(loss='categorical_crossentropy', optimizer=opt,metrics=['accuracy'])
new_model = load_model(filepath, compile=False) #compile=False allows you to load saved optimizer state

new_model.fit(...) # Fit on new data, leveraging training on old data

是否有一种方法来训练CNN模型，保存此CNN的权重，然后使用此权重来为其他训练数据重新训练此CNN？

1 个答案: