model.compile() 是否初始化 Keras（tensorflow 后端）中的所有权重和偏差？
当我开始训练模型时，之前没有保存任何模型。我可以安全地使用 model.compile()。我现在已将模型保存在 h5 文件中，以便使用 checkpoint 进行进一步训练。
说，我想进一步训练模型。在这一点上我很困惑：我可以在这里使用 model.compile() 吗？它应该放在 model = load_model() 语句之前还是之后？如果 model.compile() 重新初始化所有权重和偏差，我应该将它放在 model = load_model() 语句之前。
在发现一些讨论之后，在我看来，只有当我以前没有保存模型时才需要 model.compile()。保存模型后，无需使用 model.compile()。是真的还是假的？而当我想使用经过训练的模型进行预测时，我应该在预测之前使用 model.compile() 吗？
什么时候使用？
如果您使用的是 compile，那么它肯定必须在 load_model() 之后。毕竟，你需要一个模型来编译。 （PS：load_model 使用与模型一起保存的优化器自动编译模型）
compile 做什么？
Compile 定义了损失函数、优化器和指标。就这样。
它与权重无关，您可以根据需要多次编译模型，而不会对预训练的权重造成任何问题。
你需要一个编译好的模型来训练（因为训练使用损失函数和优化器）。但是没有必要编译一个模型来进行预测。
您需要多次使用 compile 吗？
除非：
您想要更改其中之一：损失函数优化器/学习率指标某些层的可训练属性
损失函数
优化器/学习率
指标
某层的可训练属性
您加载（或创建）了一个尚未编译的模型。或者您的加载/保存方法没有考虑以前的编译。
再次编译的后果：
如果再次编译模型，您将丢失优化器状态。
这意味着你的训练一开始会受到一点影响，直到它调整学习率、动量等。但是绝对不会对权重造成损害（当然，除非你的初始学习率太大以至于第一次训练step 极大地改变了微调的权重）。
不要忘记，您还需要在更改层的 trainable 标志后编译模型，例如，当您想像这样微调模型时：
在没有顶级分类器的情况下加载 VGG 模型冻结所有层（即 trainable = False）向顶部添加一些层 编译并在一些数据上训练模型 通过设置 trainable = True 取消冻结 VGG 的某些层再次编译模型（DON不要忘记这一步！）在一些数据上训练模型
compile 方法调用之前的状态。
关注公众号
不定期副业成功案例分享
model.outputs，即编译后和编译前两者有什么区别？此外，如果您能解释load_model(model, compile=False/True)参数中compile=False的使用，那就太好了。compile=True：模型将使用与保存相同的设置加载和编译。 2 -compile=False，您将只加载没有优化器的模型。trainable。但是设置权重完全没有问题。