Блог

Я хочу обучить свою модель для разных размеров пакетов, то есть: [64, 128] Я делаю это с помощью цикла for, как показано ниже

    epoch=2 
   batch_sizes = [128,256] 
   for i in range(len(batch_sizes)):
     history = model.fit(x_train, y_train, batch_sizes[i], epochs=epochs, 
          callbacks=[early_stopping, chk], validation_data=(x_test, y_test))
 

для приведенного выше кода моя модель дает следующие результаты:

     Epoch 1/2
    311/311 [==============================] - 157s 494ms/step - loss: 0.2318 - 
    f1: 0.0723 
    Epoch 2/2
    311/311 [==============================] - 152s 488ms/step - loss: 0.1402 - 
    f1: 0.4360 

    Epoch 1/2
    156/156 [==============================] - 137s 877ms/step - loss: 0.1197 - 
    f1: **0.5450** 
    Epoch 2/2
    156/156 [==============================] - 136s 871ms/step - loss: 0.1132 - 
    f1: 0.5756
 

похоже, что модель продолжает обучение после завершения обучения для размера пакета 64, т.Е. Я хочу, чтобы моя модель была обучена для следующей партии с нуля, как я могу это сделать, любезно направьте меня.
p.s: что я пробовал:

    epoch=2 
   batch_sizes = [128,256] 
   for i in range(len(batch_sizes)):
     history = model.fit(x_train, y_train, batch_sizes[i], epochs=epochs, 
          callbacks=[early_stopping, chk], validation_data=(x_test, y_test))
   keras.backend.clear_session()
 

это также не сработало

Вы можете написать функцию для определения модели, и вам нужно будет вызвать ее перед последующими fit вызовами. Если ваша модель содержится внутри model , веса обновляются во время обучения, и они остаются такими после вызова fit. Вот почему вам нужно переопределить модель. Это может помочь вам

 from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

X = np.random.rand(1000,5)
Y = np.random.rand(1000,1)

def build_model():
    model = Sequential()
    model.add(Dense(64,input_shape=(X.shape[1],)))
    model.add(Dense(Y.shape[1]))
    model.compile(loss='mse',optimizer='Adam')
    return model

epoch=2
batch_sizes = [128,256]
for i in range(len(batch_sizes)):
    model = build_model()
    history = model.fit(X, Y, batch_sizes[i], epochs=epoch, verbose=2)
    model.save('Model_'   str(batch_sizes[i])   '.h5')
 

Затем результат выглядит следующим образом:

 Epoch 1/2
8/8 - 0s - loss: 0.3164
Epoch 2/2
8/8 - 0s - loss: 0.1367
Epoch 1/2
4/4 - 0s - loss: 0.7221
Epoch 2/2
4/4 - 0s - loss: 0.4787