Python 在一个循环中拟合不同历元数的神经网络，而无需每次重复_Python_Loops_Neural Network_Deep Learning_Keras

Python 在一个循环中拟合不同历元数的神经网络，而无需每次重复

python loops neural-network deep-learning keras

Python 在一个循环中拟合不同历元数的神经网络，而无需每次重复,python,loops,neural-network,deep-learning,keras,Python,Loops,Neural Network,Deep Learning,Keras,我正在使用keras库在python中拟合一个递归神经网络。通过在Sequential.fit（）函数中更改参数nb_epoch，我用不同的epoch编号来拟合模型。目前，我正在使用for循环，每次我更改nb_epoch时都会重新开始拟合，这是大量重复的工作。这是我的代码（如果您想跳过代码细节的其他部分，循环位于代码的底部）：现在这个循环效率很低。因为例如，当它设置时，比如说，nb_epoch=100，它从epoch=1开始训练，在epoch=100结束训练，如下所示： Epoch 1/100

我正在使用

keras

库在

python

中拟合一个递归神经网络。通过在

Sequential.fit（）函数中更改参数nb_epoch
，我用不同的epoch
编号来拟合模型。目前，我正在使用for
循环，每次我更改nb_epoch
时都会重新开始拟合，这是大量重复的工作。这是我的代码（如果您想跳过代码细节的其他部分，循环位于代码的底部）：
现在这个循环效率很低。因为例如，当它设置时，比如说，nb_epoch
=100，它从epoch=1
开始训练，在epoch=100
结束训练，如下所示：
Epoch 1/100
0s - loss: 1.9508 - val_loss: 296.7801
.
.
.
Epoch 100/100
0s - loss: 7.6575 - val_loss: 366.2218

在循环的下一次迭代中，它表示nb_epoch=200
它再次从epoch=1
开始训练，并在epoch=200
结束。但我想做的是，在这个迭代中，从循环的最后一个迭代中剩下的地方开始训练，即epoch=100
，然后epoch=101
，依此类推
如何修改此循环以实现此目的
 连续调用fit
将进一步训练您的模型，从上次调用时留下的状态开始。要使其不继续，必须重置模型的权重，而拟合
则不行。你只是没有看到它是这样做的，因为它总是从1开始计算时代
所以最后的问题是它没有打印正确的历代数（你不能更改）
如果这让您感到困扰，您可以通过定期调用来实现自己的fit
。
您可以使用fit的initial\u epoch
参数（请参阅）
Epoch 1/100
0s - loss: 1.9508 - val_loss: 296.7801
.
.
.
Epoch 100/100
0s - loss: 7.6575 - val_loss: 366.2218