Keras模型的重量大于预期值

我可以在cifar10数据集上调整inception v3模型。保存后，模型的大小是175个月，训练前大约是90个月，所以我想知道为什么微调后的模型更大？当我看两个模型的参数数量时，几乎是一样的

原始型号： 总参数：23851784 可培训参数：23817352 不可培训参数：34432

微调模型： 总参数：21823274 可培训参数：21788842 不可培训参数：34432

有人对此有想法吗？ 为了保存模型，我在fit生成器函数内的回调中使用函数ModelCheckpoint

checkpoints = ModelCheckpoint(output+'-{epoch:02d}.hdf5', verbose=1, save_best_only=False, period=checkpoint)
callbacks_list = [callback_tensorboard, checkpoints]

# train 
model.fit_generator(train_generator,
      steps_per_epoch=step_train,
      epochs=epochs,
      verbose=1,
      validation_data=test_generator,
      validation_steps=step_test,
      callbacks=callbacks_list)

---

默认情况下，

ModelCheckpoint

保存有关模型的所有信息，包括以下内容：

• 模型架构
• 砝码
• 培训配置，如优化器和损失函数
• 优化器的状态，因此您可以直接从检查点恢复培训

如果使用保持状态的优化器，如ADAM或RMSProp，其中每个参数都保持运行平均值，则此优化器状态也会保存到HDF5文件中，并按优化器定义的系数增加最终文件大小

---

一个简单的解决方案是使用

model.save_weights

手动只保存权重，或者在

ModelCheckpoint

的实例中将

save_weights_only

参数设置为True，方法是说，“优化器的状态，因此您可以直接从检查点恢复训练。”你的意思是在中期保存指数加权移动平均值吗？我的意思是我不明白为什么要在训练时保存模型，如果我们能在开始训练前保存一次的话。如果我想恢复训练，我只需要用上一个完成阶段的重量重新开始训练。所以我认为保存权重是没有用的？它应该总是正确的，我真的不能找到我想在训练的时候保存模型的情况。@ Stavbdik它不是在一个时代的中间，它通常是在一个末端。如果不从保存的移动平均值开始，那么训练可能会不稳定或发散。但无论如何都会保存权重，这是此检查点最重要的功能之一，为什么我还应该在训练时保存模型？根据定义，模型是一种常量，在列车运行过程中不会发生变化。@StavBodik，因为这样更容易直接从检查点加载模型，它是带有load_模型的Keras中的一行。@StavBodik一行加载模型和权重。如果你有更多的问题，那么你应该问自己的问题，而不是在评论中讨论。