相关疑难解决方法(0)

当我开始训练模型时,之前没有保存模型.我可以model.compile()安全使用.我现在已将模型保存在h5文件中以供进一步培训使用checkpoint.

说,我想进一步训练模型.我在这一点上很困惑:我可以model.compile()在这里使用吗？它应该在model = load_model()声明之前还是之后放置？如果model.compile()重新初始化所有权重和偏见,我应该在model = load_model()陈述之前放置它.

在发现一些讨论后,在我看来model.compile()只有在我之前没有保存模型时才需要.保存模型后,无需使用model.compile().这是真是假？当我想预测使用训练模型时,我应该model.compile()在预测之前使用吗？

是否可以model.loss在回调中进行设置而无需model.compile(...)在之后进行重新编译（因为自此优化器状态被重置），而只是重新编译model.loss，例如：

class NewCallback(Callback):

        def __init__(self):
            super(NewCallback,self).__init__()

        def on_epoch_end(self, epoch, logs={}):
            self.model.loss=[loss_wrapper(t_change, current_epoch=epoch)]
            self.model.compile_only_loss() # is there a version or hack of 
                                           # model.compile(...) like this?

要使用关于stackoverflow的先前示例进行更多扩展：

要实现取决于历元数的损失函数，例如（如在这个stackoverflow问题中）：

def loss_wrapper(t_change, current_epoch):
    def custom_loss(y_true, y_pred):
        c_epoch = K.get_value(current_epoch)
        if c_epoch < t_change:
            # compute loss_1
        else:
            # compute loss_2
    return custom_loss

其中“ current_epoch”是使用回调更新的Keras变量：

current_epoch = K.variable(0.)
model.compile(optimizer=opt, loss=loss_wrapper(5, current_epoch), 
metrics=...)

class NewCallback(Callback):
    def __init__(self, current_epoch):
        self.current_epoch = current_epoch

    def on_epoch_end(self, epoch, logs={}):
        K.set_value(self.current_epoch, epoch) …