有没有办法训练一个 CNN 模型，保存这个 CNN 的权重，然后使用这个权重来为其他训练数据重新训练这个 CNN？

Question

有人告诉我这种类型的实验。 第一步是训练一个 CNN 并保持权重，第二步是使用这些权重来重新训练这个 CNN，但这次是向你的训练集添加更多数据（微调）。

我想这有点像迁移学习，但是你训练了一个 CNN。 有没有办法在训练 CNN 之前选择权重，并将那些选择的权重作为您的文件？

所以到目前为止我所做的是训练我的 CNN 模型并将权重保存到 h5 文件中，代码如下

model.compile(loss='categorical_crossentropy', optimizer=opt,metrics=['accuracy'])
validation_data=(x_testcnn, y_test))
checkpoint_path= 'scratchmodel.best.h5'
save_dir = os.path.join(os.getcwd(), 'weights')
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath=checkpoint_path,
                                             save_weights_only=True,
                                             verbose=1)
 cnnhistory=model.fit(x_traincnn, 
      y_train,
      batch_size=16,           
      epochs=400,
      validation_data=(x_testcnn,y_test),
      callbacks=[cp_callback])

现在我想用相同的权重重新训练相同的 CNN，但这次将数据添加到训练集。 有没有办法做到这一点？ 谢谢你的帮助。

Answer 1

是的，您只需要将权重加载到新创建的模型中，然后使用新数据进行训练。

from tensorflow.python.keras.models import load_model #Tensorflow 2.0

new_model.compile(loss='categorical_crossentropy', optimizer=opt,metrics=['accuracy'])
new_model = load_model(filepath, compile=False) #compile=False allows you to load saved optimizer state

new_model.fit(...) # Fit on new data, leveraging training on old data