我的神经网络有问题。我对它进行了常规数据培训，效果很好。但是现在我想用个性化的新数据来改善网络。
我尝试解释一下。我的模型是通用的，我将其用于单个X。但是随着时间的流逝，我将从X接收更多数据，并且我想改进X的通用模型。例如，每次我收到3个新数据，仅用1个纪元就能适应吗？
还是应该使用动态聚类（如果可能）并将其放入网络的输入中？
我真的不知道该怎么办，需要帮助。。谢谢！
答案 0 :(得分：0)
我不确定您拥有哪种模型，但是一般来说，您可以使用数据训练模型，然后使用model.save保存模型，这样可以保存所有内容（架构，优化程序状态，权重和偏差等） ）。
# saving the model in tensorflow format
model.save('./MyModel_tf',save_format='tf')
拥有新数据时，可以使用tf.keras.model.load_model加载模型，并对其进行重新训练以更新参数。如果您的模型花费的时间不多，则将新数据添加到现有的训练文件夹会更好。您还可以使用一些数据扩充来提高性能。
# loading the saved model
loaded_model = tf.keras.models.load_model('./MyModel_tf')
# retraining the model
loaded_model.fit(x_new_data, y_new_data, epochs = 10, validation_data = (x_test,y_test),verbose=1)
您可以检查this example来重新训练您离开的模型。您可以更新一些超级参数并运行重新加载的模型以提高性能。希望对您有帮助！