2016 - 2024

感恩一路有你

keras模型保存与加载 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?

浏览量:2948 时间:2021-03-13 10:13:25 作者:admin

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还是TensorFlow,程序员该如何选择深度学习框架?

如果您想用少量代码尽快构建和测试神经网络,keras是最快的,而且顺序API和模型非常强大。而且keras的设计非常人性化。以数据输入和输出为例,与keras的简单操作相比,tensorflow编译码的构造过程非常复杂(尤其对于初学者来说,大量的记忆过程非常痛苦)。此外,keras将模块化作为设计原则之一,用户可以根据自己的需求进行组合。如果你只是想快速建立通用模型来实现你的想法,keras可以是第一选择。

但是,包装后,keras将变得非常不灵活,其速度相对较慢。如果高度包装,上述缺点将更加明显。除了一些对速度要求较低的工业应用外,由于tensorflow的速度较高,因此会选择tensorflow

如果您在验证您的想法时,想定义损失函数而不是使用现有的设置,与keras相比,tensorflow提供了更大的个性空间。此外,对神经网络的控制程度将在很大程度上决定对网络的理解和优化,而keras提供的权限很少。相反,tensorflow提供了更多的控制权,比如是否训练其中一个变量、操作梯度(以获得训练进度)等等。

尽管它们都提供了深度学习模型通常需要的功能,但如果用户仍然追求一些高阶功能选择,例如研究特殊类型的模型,则需要tensorflow。例如,如果您想加快计算速度,可以使用tensorflow的thread函数来实现与多个线程的相同会话。此外,它还提供了调试器功能,有助于推断错误和加快操作速度。

如何保存训练好的机器学习模型呢?

经过训练的机器学习模型是一堆参数。有许多方法可以保存这些参数。几乎每个框架都提供了相应的Save命令。至于要保存的文件的具体格式,则要视具体情况而定。需要考虑写入文件的时间和大小,特别是对于深度神经网络,参数应该被保存,这将是一个惊人的数量。

重新加载模型只是将保存的模型恢复到特定模型。根据模型的规则保存参数。模型恢复后,只需提供输入,即可根据之前保存的参数进行输出。

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。

keras模型保存与加载 keras怎么保存模型 keras保存模型

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。