Python 呼唤；安装发电机（）；多次使用Keras

我有一个生成器函数，它生成（输入、目标）的元组，并使用Keras中的

fit\u generator（）

方法对我的模型进行训练

我的数据集被分成9个相等的部分。我希望使用

fit\u generator（）

方法对数据集执行遗漏交叉验证，并保持先前培训的学习参数不变

我的问题是，在模型上多次调用

fit_generator（）

是否会使其重新学习先前序列和验证集上的学习参数，还是会保持这些学习参数不变，从而提高准确性

经过一点挖掘，我发现Keras中的

fit（）

方法保留了此处学习到的参数，但我不确定

fit\u generator（）

是否也会发生同样的情况，如果是，它是否可以用于数据的交叉验证

为了实现交叉验证，我正在考虑实现的伪代码如下：

类数据集生成器（序列）：
定义初始化（验证id，模式）：
#一些代码
def\uuu getitem\uuuu（）：
#生成函数
#一些代码
返回（输入、目标）
对于范围（9）内的id：
列车组=数据集生成器（id，‘列车’）
#列车组包含所有8个部件，留下id部件进行验证。
验证集=数据集生成器（id为“val”）
#val_集合包含id部分。
历史记录=模型拟合发生器（序列集，历元=10，每历元步数=24000，验证数据=val历元集，验证步骤=3000）
打印（'History Dict:'，History.History）
结果=模型。评估发电机（测试集，步骤=步骤）
打印（'测试损失，附件：'，结果）

---

模型

是否会保持学习到的参数不变，并在

for

循环的每次迭代中对其进行改进？

fit

和

fit\u生成器

在这方面表现相同，再次调用它们将从先前训练的权重恢复训练

---

还要注意的是，您试图做的不是交叉验证，至于真正的交叉验证，您为每个折叠训练一个模型，并且这些模型完全独立，而不是从上一个折叠的训练中继续。

据我所知，它将保留先前训练的参数。另外，我认为可以通过修改Sequence的on_epoch_end（）方法来完成您想要做的事情。可能是这样的：

class DatasetGenerator(Sequence):
    def __init__(self, id, mode):
        self.id = id
        self.mode = mode
        self.current_epoch=0
        #some code

    def __getitem__(self, idx):
        id = self.id
        #Some code
        return (inputs, targets)

    def on_epoch_end():
        self.current_epoch += 1
        if self.current_epoch % 10 == 0:
            self.id += 1

---

是的，无论目前的体重是多少，他们都会接受训练。在重新编译之前调用

keras.backend.clear_session（）

会将所有权重清除回初始状态。何时要重置权重？此外，因为我以前没有读过这篇文章：在每一个折叠上都必须训练一个独立的模型？执行CV后，它们将如何融化为一个模型？