继续训练Keras模型并加载和保存权重

Question

由于由于软件包不一致而无法安装h5py，所以我想知道是否可以在Keras中保存和加载权重以继续在新数据上训练模型。 我知道我可以执行以下操作：

   old_weights = model.get_weights()
   del model
   new_model.set_weights(old_weights)

这里的模型是旧模型，新模型是新模型，这是一个完整的示例：

for i in training data:
    model = Sequential()
    model.add(Dense(20, activation='tanh', input_dim=Input))
    model.add(Dense(1))
    model.compile(optimizer='adam', loss='mse')
    model.fit(X, y, epochs=8, batch_size=16, shuffle=False, verbose=0)
    new_model = Sequential()
    new_model.add(Dense(20, activation='tanh', input_dim=Input))
    new_model.add(Dense(1))
    new_model.compile(optimizer='adam', loss='mse')
    old_weights = model.get_weights()
    del model
    new_model.set_weights(old_weights)
    model=new_model

我想在阅读每个训练示例（每次迭代的X和y不同）后保存权重并再次加载它，然后从预先训练的模型开始。 我不确定我的代码是否执行此操作，因为我将再次定义优化器和model.compile。 如果以下代码保存了模型并且每次迭代都从预训练的模型开始，谁能帮我。

Answer 1

您无需继续重新编译模型。 而是在加载样本后多次拟合模型。

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(20, activation='tanh', input_dim=Input))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')
# load the data into training_data 
for data in training_data:  
    model.fit(data[0], data[1], epochs=8, batch_size=16, shuffle=False, verbose=0)