Python 如何实时训练LSTM模型？

我有一个用于创建聊天机器人的LSTM模型。聊天机器人现在知道如何根据其经过训练的模型对所知道的一切做出反应

因此，现在我们的聊天机器人应该动态学习，当聊天机器人不知道的新查询发布时，它应该从查询和响应中学习，并将其添加到其训练模型中

---

有人能告诉我如何实现这一点吗？

这可以通过加载保存的模型（可能是使用

model.save（）

保存的）并使用

fit（）

方法训练新数据来实现，例如：

从keras.models导入负载模型
#加载您的模型
模型=负载\模型（'chatbot.h5'）
#继续使用新数据进行培训，根据需要添加参数
模型拟合（X2，Y2，epochs=20）

否，我的聊天机器人始终在线。我们不想从一开始就加载经过训练的模型并安装新的模型。在线时，我想向它提供新数据。@prabhu“在线时”是什么意思？当然，您已经对.h5模型进行了培训，您正在为此调用

predict（）

。。。在你得到新的数据和标签后，你可以在网上“即时”重新安装这个模型，就像我在回答中解释的那样。如果你不介意的话，请再解释一下，这对你有用吗？比方说，我已经训练了我的聊天机器人来回答与特定主题相关的问题，例如：“法拉利汽车”。现在，如果我问我的聊天机器人一个问题，比如“兰博基尼的输出扭矩是多少？”。Chatbot肯定无法回答这个问题。问题。现在，我将有一个语料库（规模较小），其中将包含关于兰博基尼汽车的文本数据。我希望在不停止chatbot服务的情况下使用此数据训练chatbot。如何实现这一点是我的问题，我认为你完全高估了一个简单的lstm可以做什么。除非你有一个大的标记语料库，或者使用复杂的NLP技术，否则你要问的是科幻小说领域。你不能只给它输入文本，然后期望它“理解”。@prabhu你可以像前面解释的那样做。假设你得到‘兰博的输出扭矩是多少’。为了能够“动态”地训练模型（称为在线学习），您必须以某种方式获得新文本的标签，然后将其与

模型

相适应，并将文本作为数据和标签。这样你的聊天机器人仍然可以学习而不必停止。现在，正如你所看到的，这里的实际问题是如何获得这个标签，这本身就是一项具有挑战性的人工智能任务。假设你能做到这一点，你也可以动态地训练你的聊天机器人。