Loops 使用LSTM迭代不同的数据集，而不保留以前训练的记忆

我对Tensorflow和LSTM比较陌生，只工作了几个月。目前，我正在研究多元LSTM，我希望在不同的数据集上使用相同的模型配置和循环

我遇到的问题是，记忆在某种程度上被保留了下来，这意味着下一次训练的结果将受到上一次训练的影响。因此，例如，如果我在一个环路中训练模型1和2，并且分别训练模型2，那么模型2在这两个试验中的结果是不同的。以下是我的代码：

seed(1)
tf.random.set_seed(2)

#model configuration
epochs = 20
batch_size=100
no_models=24

for i in range(0,no_models):
    #Select X train and Y train from list
    #Select X test and Y test from list

    #model
    model = Sequential()
    model.add(LSTM(200, activation="sigmoid",#recurrent_activation="sigmoid",
    input_shape=(X_train.shape[1], X_train.shape[2]),
    return_sequences=False,stateful=False,return_state=False))
    model.add(Dense(1,activation="sigmoid"))

    # compile model
    model.compile(optimizer='adam', loss='mse', metrics=rmse)

    for trn, val in kfold.split(X_train, Y_train):
        # fit model
        history = model.fit(X_train[trn], Y_train[trn], epochs=epochs,
        batch_size=batch_size, verbose=1)
    #make prediction
    model.fit(X_train,Y_train)
    Y_pred = model.predict(X_test)

我尝试了一些方法来解决这个问题：

• 我已经使用随机种子为每次运行获得相同的结果

• 我确实尝试过将LSTM模型创建为函数，使用该函数中的所有

  model.add（）

  ，

  model.compile（）

  ，

  model.fit（）

  ，

  model.evaluate（）

  和

  model.fit（）

  ，最后返回Y_pred

• 使用keras清除会话。清除会话（）

• 在循环末尾添加

  model=None

• 使用

  模型清除LSTM状态。在循环结束时重置状态（）
  
  

• 将

  del model

  放在循环的末尾

都没有用。无论如何，LSTM仍然保留了记忆，并影响后续的训练

我可以做一些乏味的事情，比如单独运行所有的模型，而不是做一个循环，但是我有24个模型，所以这真的很烦人

---

是否有人遇到过同样的问题，并有任何想法来解决这个问题？非常感谢您的帮助。此外，这是我第一次在这里发帖，所以如果我的帖子没有正确遵守规则，我表示歉意，请帮助我修改帖子的格式，不要删除它：（.谢谢！

您需要将模型放在第二个for循环中，因此它只为每个折叠定义。我认为这将需要更多的计算时间，因为两个循环中的模型配置相同。我编辑了代码，在交叉验证之后，我用所有数据再次训练了模型，但我没有意识到我最初的帖子是missi没关系，在模型上调用fit并不能训练scratch，你需要为此创建一个新模型。