Python 如果我再次拟合模型，损失会减少吗？还是会重置为初始损失？ 用于范围内的迭代（NUM_迭代）： 打印（） 打印（“=”*50） 打印（“迭代：”，迭代） 模型拟合（X，y，批量大小=批量大小，历元数=历元数迭代） rand=np.random.randint（len（x_标签）） test=“vikas n s” 打印（测试，结束=“”） 对于范围内的i（每个历元的预测数）： Xtest=np.zero（（1，sqlen，nb_字符），dtype=np.bool） 对于i，ch-in枚举（测试）： Xtest[0，i，char2index[ch]]=1 pred=模型预测（Xtest） 温度=pred pred=pred[0] ypredict=index2char[np.argmax（pred）] 打印（ypredict，end=“”） 测试=测试[1:][Y预测
在这段代码中，在每次迭代中，我都在拟合模型。 我的假设是，当我再次拟合模型时，损失应该重置为原始损失或接近原始损失的值。但我发现损失仍在继续。 即： 如果初始损失为4 在所有的历元之后，第一次迭代的损失降到了2。 现在，当我在下一次迭代中再次拟合模型时，我希望损失从4开始，而不是从2开始。Python 如果我再次拟合模型，损失会减少吗？还是会重置为初始损失？ 用于范围内的迭代（NUM_迭代）： 打印（） 打印（“=”*50） 打印（“迭代：”，迭代） 模型拟合（X，y，批量大小=批量大小，历元数=历元数迭代） rand=np.random.randint（len（x_标签）） test=“vikas n s” 打印（测试，结束=“”） 对于范围内的i（每个历元的预测数）： Xtest=np.zero（（1，sqlen，nb_字符），dtype=np.bool） 对于i，ch-in枚举（测试）： Xtest[0，i，char2index[ch]]=1 pred=模型预测（Xtest） 温度=pred pred=pred[0] ypredict=index2char[np.argmax（pred）] 打印（ypredict，end=“”） 测试=测试[1:][Y预测,python,machine-learning,keras,neural-network,deep-learning,Python,Machine Learning,Keras,Neural Network,Deep Learning,在这段代码中，在每次迭代中，我都在拟合模型。 我的假设是，当我再次拟合模型时，损失应该重置为原始损失或接近原始损失的值。但我发现损失仍在继续。 即： 如果初始损失为4 在所有的历元之后，第一次迭代的损失降到了2。 现在，当我在下一次迭代中再次拟合模型时，我希望损失从4开始，而不是从2开始。 为什么会发生这种情况？因为Kerasmodel.fit方法正是这样做的，即从模型当时的任何状态开始训练；因此，如果模型已经经历了上一个会话/迭代的一些训练，那么新的fit实际上就是从这一点开始的 如果您想为每
为什么会发生这种情况？因为Keras
model.fitfit如果您想为每个迭代创建一个新的拟合会话（即“重置”模型），您应该将模型构建封装在一个方便的函数中，并在
model.fit