keras保存模型继续训练 keras已训练好模型，一段时间后又有新数据，如何在已有模型基础上继续做增量训练？

keras已训练好模型，一段时间后又有新数据，如何在已有模型基础上继续做增量训练？

我也是一个菜鸟，可以用来交流。。。

在我看来，如果网络不需要调整（例如不添加新的类别），只需使用一个小的学习率来微调网络的所有数据。

如果网络结构发生变化（如增加新的类别），在前期（如conv层）固定网络参数，后期（如FC层）直接学习参数。然后放开冻结，微调大局。

keras训练好的网络，怎么在c 程序中调用？

我尝试使用其他培训数据来调用Java。一些建议。首先，如果训练模型很小，可以先得到训练参数，然后用C语言调用，当然，矩阵的计算需要自己准备。

我以前是这样的，但它有很大的局限性。最大的问题是这种方法的前提，当模型不复杂时。这样，公共应用服务器仍然可以承受计算负载。

但是，如果模型复杂，则不建议这样做。机器无法运行，针对性的浮点优化也无法在短时间内解决。此时仍建议使用培训机通过web服务完成Python的远程调用，实现业务应用。

如何提高keras模型预测速度？

一旦确定了keras模型，在不修改keras框架的源代码的情况下，什么都不会改变。唯一的出路是扩大GPU。

一般情况下，我们只能尝试修改模型结构、量化剪枝等方式，自行修改框架源代码，没有必要。

通常，为了加快模型的预测速度，只需加载一次模型即可。

当模型的预测时间过长时，通常采用减少卷积核、减少卷积核数、增加步长、增加池单元等方法。一些参数较少的主干也可能被替换。

或者考虑使用移动终端分离卷积和空穴卷积。

最后，默认情况下，我们的模型由floaf32的精度表示，可以适当量化。它以16位、8位甚至2位精度表示。只要模型的精度不显著降低，且满足使用场景，则是合理的。

如果您在这方面还有其他问题，请关注我，一起学习。

keras保存模型继续训练 keras自带模型 keras更新模型

版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。