Keras继续在Google Colab上训练中断的课程

我正在使用免费版本的谷歌Colab&由于1的原因，我无法进行一些实验。内存限制：我的数据集太大，无法放入内存或2。训练时间超过12小时（在此之后，我会自动断开连接）。 因此，我想分割大数据集，在上半年进行训练，保存模型，然后在下半年继续训练。我在一个模型上尝试了这种方法，我可以一次对所有的模型进行训练，看看最终的结果是否相同。但事实并非如此——分两批训练的模型表现更差

我的方法：

普通列车：有效分割：

X_序列，X_有效，y_序列，y_有效=序列测试分割（X，y，测试大小=0.1，随机状态=42）

将序列和有效阵列一分为二：

列车1=列车[：746] y_列车1=y_列车[：746] X_列车2=X_列车[746:] y_列车2=y_列车[746:] X_valid1=X_valid[：83] y_valid1=y_valid[：83] X_valid2=X_valid[83:] y_valid2=y_valid[83:]

定义模型（我在回调中定义ModelCheckpoint（例如“path/test_model.h5”））

仅使用分割数据集的前一半训练模型：

结果=model.fit（X_train1，y_train1，批次大小=32，时代=50，回调=回调，验证数据=（X_valid1，y_valid1））

保存模型：

model.save（'/path/partial_trained.h5'）

• 此时，model.evaluate的结果为：损失：0.3074-准确度：0.8449-精密度：0.9083-召回率：0.4602，F1=0.6108456

重新加载模型：

模型=加载模型（'/path/partial_trained.h5'）

另一半继续培训：

结果=模型.fit（X_-train2，y_-train2，批量大小=32，年代=50，回调=回调，验证数据=（X_-valid2，y_-valid2））

• 此时model.evaluate的结果为：损失：0.2653-准确度：0.8542-精密度：0.8912-召回率：0.5331，F1=0.66711

如果我一次对同一个模型和数据集进行训练，结果是：损失：0.2646-准确度：0.8592-精度：0.8906-召回率：0.6760，F1=0.7686

为什么结果如此不同？更奇怪的是学习曲线，见附件。你知道会出什么问题吗？“path/test_model.h5”文件中的权重会发生什么变化？当我在下半场开始训练时，上半场训练的内容是否得到更新或重写？我可以稍后使用它们进行预测吗？ 谢谢 ,