我正在为类似于图像语义分割的任务训练预训练 VGG-16 CNN (U-Net) 的改进实现。我们有兴趣研究训练规模对性能的影响。拆分数据集后，从训练子集中抽取随机图像（例如用 500 张随机图像训练、重置模型、用 1000 张随机图像训练、重置模型等）。
用于重置Keras的函数如下：
# Function reset the model
def reset_keras(model):
sess = tf.compat.v1.keras.backend.get_session() #load current TF session
clear_session() #clear current session
sess.close() #close current session
sess = tf.compat.v1.keras.backend.get_session()
#try to delete the model and pass if an exception is encountered
try:
del model
except:
pass
print('Number of objects collected and deallocated is', gc.collect()) # returns number of objects collected and deallocated
# use the same config as you used to create the session
config = tf.compat.v1.ConfigProto() # configure the session about to be run
config.gpu_options.per_process_gpu_memory_fraction = 1
config.gpu_options.visible_device_list = "0" #only see gpu 0
tf.compat.v1.keras.backend.set_session(tf.compat.v1.Session(config=config))
我怀疑模型在两次训练之间没有正确重置。例如，与会话开始相比，如果在会话结束时运行，使用相对较少的图像进行训练将显示出明显更好的性能。我们希望在所有训练中使用相同的模型架构和权重初始化。只是训练图像的数量不同。
在训练课程之间重置模型的推荐方法是什么？
谢谢！
背景：