加载经过训练的 Keras 模型并继续训练
我想知道是否可以保存部分训练的 Keras 模型并在再次加载模型后继续训练。
这样做的原因是我将来会有更多的训练数据，我不想再次重新训练整个模型。
我正在使用的功能是：
#Partly train model
model.fit(first_training, first_classes, batch_size=32, nb_epoch=20)
#Save partly trained model
model.save('partly_trained.h5')
#Load partly trained model
from keras.models import load_model
model = load_model('partly_trained.h5')
#Continue training
model.fit(second_training, second_classes, batch_size=32, nb_epoch=20)
编辑 1：添加了完整的工作示例
使用 10 个 epoch 后的第一个数据集，最后一个 epoch 的损失将为 0.0748，准确度为 0.9863。
在保存、删除和重新加载模型后，在第二个数据集上训练的模型的损失和准确率将分别为 0.1711 和 0.9504。
这是由新的训练数据引起的还是由完全重新训练的模型引起的？
"""
Model by: http://machinelearningmastery.com/
"""
# load (downloaded if needed) the MNIST dataset
import numpy
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import np_utils
from keras.models import load_model
numpy.random.seed(7)
def baseline_model():
model = Sequential()
model.add(Dense(num_pixels, input_dim=num_pixels, init='normal', activation='relu'))
model.add(Dense(num_classes, init='normal', activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
if __name__ == '__main__':
# load data
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# flatten 28*28 images to a 784 vector for each image
num_pixels = X_train.shape[1] * X_train.shape[2]
X_train = X_train.reshape(X_train.shape[0], num_pixels).astype('float32')
X_test = X_test.reshape(X_test.shape[0], num_pixels).astype('float32')
# normalize inputs from 0-255 to 0-1
X_train = X_train / 255
X_test = X_test / 255
# one hot encode outputs
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
num_classes = y_test.shape[1]
# build the model
model = baseline_model()
#Partly train model
dataset1_x = X_train[:3000]
dataset1_y = y_train[:3000]
model.fit(dataset1_x, dataset1_y, nb_epoch=10, batch_size=200, verbose=2)
# Final evaluation of the model
scores = model.evaluate(X_test, y_test, verbose=0)
print("Baseline Error: %.2f%%" % (100-scores[1]*100))
#Save partly trained model
model.save('partly_trained.h5')
del model
#Reload model
model = load_model('partly_trained.h5')
#Continue training
dataset2_x = X_train[3000:]
dataset2_y = y_train[3000:]
model.fit(dataset2_x, dataset2_y, nb_epoch=10, batch_size=200, verbose=2)
scores = model.evaluate(X_test, y_test, verbose=0)
print("Baseline Error: %.2f%%" % (100-scores[1]*100))
编辑 2：tensorflow.keras 备注
对于 tensorflow.keras，将参数 nb_epochs 更改为模型拟合中的 epochs。导入和 basemodel 函数是：
import numpy
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.models import load_model
numpy.random.seed(7)
def baseline_model():
model = Sequential()
model.add(Dense(num_pixels, input_dim=num_pixels, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
实际上 - model.save 保存了在您的情况下重新开始训练所需的所有信息。唯一可能被重新加载模型破坏的是您的优化器状态。要检查这一点 - 尝试 save 并重新加载模型并在训练数据上对其进行训练。
上述大多数答案都涵盖了要点。如果您使用的是最新的 Tensorflow（TF2.1 或更高版本），那么以下示例将对您有所帮助。代码的模型部分来自 Tensorflow 网站。
import tensorflow as tf
from tensorflow import keras
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
def create_model():
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(512, activation=tf.nn.relu),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy',metrics=['accuracy'])
return model
# Create a basic model instance
model=create_model()
model.fit(x_train, y_train, epochs = 10, validation_data = (x_test,y_test),verbose=1)
请将模型保存为 *.tf 格式。根据我的经验，如果您定义了任何 custom_loss，*.h5 格式将不会保存优化器状态，因此如果您想从我们离开的地方重新训练模型，则不会达到您的目的。
# saving the model in tensorflow format
model.save('./MyModel_tf',save_format='tf')
# loading the saved model
loaded_model = tf.keras.models.load_model('./MyModel_tf')
# retraining the model
loaded_model.fit(x_train, y_train, epochs = 10, validation_data = (x_test,y_test),verbose=1)
这种方法将在保存模型之前从我们离开的地方重新开始训练。正如其他人所提到的，如果您想保存最佳模型的权重，或者您想在每个时期保存模型的权重，您需要使用带有 save_weights_only=True、save_freq='epoch' 和 save_best_only 等选项的 keras 回调函数 (ModelCheckpoint) .
问题可能是您使用了不同的优化器 - 或优化器的不同参数。我刚刚对自定义预训练模型遇到了同样的问题，使用
reduce_lr = ReduceLROnPlateau(monitor='loss', factor=lr_reduction_factor,
patience=patience, min_lr=min_lr, verbose=1)
对于预训练模型，原始学习率从 0.0003 开始，在预训练期间降低到 min_learning 率，即 0.000003
我只是将该行复制到使用预训练模型的脚本中，并且得到了非常糟糕的准确性。直到我注意到预训练模型的最后一个学习率是最小学习率，即 0.000003。如果我从那个学习率开始，我会得到与预训练模型的输出完全相同的精度——这是有道理的，因为从一个比预训练中使用的最后一个学习率大 100 倍的学习率开始模型将导致 GD 的巨大超调，从而严重降低精度。
以上所有帮助，您必须在保存模型和权重时从与 LR 相同的学习率（）恢复。直接在优化器上设置。
请注意，不能保证从那里得到改进，因为模型可能已经达到局部最小值，这可能是全局的。没有必要为了寻找另一个局部最小值而恢复模型，除非您打算以受控方式提高学习率并将模型推到不远处可能更好的最小值。
您可能还会遇到概念漂移，请参阅Should you retrain a model when new observations are available。还有一堆学术论文讨论的灾难性遗忘的概念。这是 MNIST Empirical investigation of catastrophic forgetting 的一个
如果您使用的是 TF2，请使用新的 saved_model 方法（格式 pb）。提供更多信息 here 和 here。
model.fit(x=X_train, y=y_train, epochs=10,callbacks=[model_callback])#your first training
tf.saved_model.save(model, save_to_dir_path) #save the model
del model #to delete the model
model = tf.keras.models.load_model(save_to_dir_path)
model.fit(x=X_train, y=y_train, epochs=10,callbacks=[model_callback])#your second training
使用保存的模型训练模型是完全可以的。我用相同的数据训练了保存的模型，发现它给出了很好的准确性。此外，每个时代所花费的时间都非常少。
这是代码看看：
from keras.models import load_model
model = load_model('/content/drive/MyDrive/CustomResNet/saved_models/model_1.h5')
history=model.fit(train_gen,validation_data=valid_gen,epochs=5)
save()时，它是保存模型的最佳结果（最低损失）还是模型的最后结果（最后更新）？谢谢save_best_only=True时才保存最好的。