我正在尝试连续训练不同的模型，而不需要每次都重新运行我的程序或更改我的代码，这样我就可以让我的电脑训练不同的模型。
我使用for循环从字典中提取不同的信息来构建每次不同的模型，这样每次调用函数时就可以训练一个新模型，用于在不同设置下测试准确性，以了解在每种情况下哪个模型表现最佳。
def create_model(modeltoload): model = Sequential() previsores, alto, baixo, fechado, aberto = get_train_data(modeltoload) if modeltoload['Type'] == 'LSTM': if len(modeltoload['Layers']) == 1: model.add(LSTM(units=modeltoload['Layers'][0], activation='tanh', input_shape=(previsores.shape[1], modeltoload['Entry']))) model.add(Dropout(0.3)) else: model.add(LSTM(units=modeltoload['Layers'][0], activation='tanh', return_sequences=True, input_shape=(previsores.shape[1], modeltoload['Entry']))) model.add(Dropout(0.3)) for i in range(1, len(modeltoload['Layers'])): if i == (len(modeltoload['Layers'])-1): model.add(LSTM(units=modeltoload['Layers'][i], activation='tanh')) else: model.add(LSTM(units=modeltoload['Layers'][i], activation='tanh', return_sequences=True)) model.add(Dense(units=1, activation='relu')) if modeltoload['Type'] == 'DENSE': model.add(Dense(units=modeltoload['Layers'][0], activation='relu', input_dim=modeltoload['Entry']*5+1)) model.add(Dropout(0.1)) for i in range(1, len(modeltoload['Layers'])): model.add(Dense(units=modeltoload['Layers'][i], activation='relu')) model.add(Dropout(0.1)) model.add(Dense(units=1, activation=modeltoload['Activation'])) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['binary_accuracy']) return model然后
def train_model(modeltoload): previsores, classe, baixo, fechado, aberto = get_train_data(modeltoload) model = create_model(modeltoload) history1 = model.fit(previsores, classe, epochs=1000, batch_size=modeltoload['Batch'], callbacks=[es, rlr, mcp, csv], shuffle='batch', verbose=2, validation_split=0.1) k.clear_session() del model return history1问题在于，当我开始第一次训练时，一切正常，如下所示：
Training: DENSE/60N-14B-190E-tanh.h5Train on 2575 samples, validate on 287 samplesEpoch 1/1000Epoch 00001: loss improved from inf to 2.50127, saving model to DENSE/60N-14B-190E-tanh.h5 - 1s - loss: 2.5013 - binary_accuracy: 0.4711 - val_loss: 1.1434 - val_binary_accuracy: 0.5017Epoch 2/1000 ...Epoch 307/1000Epoch 00307: loss did not improve - 0s - loss: 0.5200 - binary_accuracy: 0.7522 - val_loss: 0.8077 - val_binary_accuracy: 0.5401Epoch 00307: early stopping但是当第二个及以后的模型被创建时，损失值不是从[inf]开始，而是从上一次训练的最后值开始：
Training: DENSE/60N-14B-220E-tanh.h5Train on 2548 samples, validate on 284 samplesEpoch 1/1000Epoch 00001: loss did not improve - 1s - loss: 1.3203 - binary_accuracy: 0.5063 - val_loss: 0.7724 - val_binary_accuracy: 0.5246Epoch 2/1000Epoch 00002: loss did not improve - 0s - loss: 0.7366 - binary_accuracy: 0.4945 - val_loss: 0.7247 - val_binary_accuracy: 0.5000即使使用
k.clear_session() del model 似乎我仍然加载了关于上一个训练模型的一些先前信息。有人对这个问题有见解吗？
回答：
从你提供的训练进度输出来看，我猜测你正在使用Keras的ModelCheckpoint回调。如果你对多个训练运行使用同一个ModelCheckpoint，它只会在新模型的损失比先前保存的模型有所改善时才保存新模型。
要解决这个问题，只需在你的train_model函数中每次都生成一个新的ModelCheckpoint对象即可。
