Python 我是否可以重用一个模型，用它的值再次训练网络？

我对使用keras的深度学习领域还是个新手，我想问一下，在训练网络后，是否有可能采用一个模型，并使用该模型的变量再次运行网络

换句话说，假设我训练网络并达到90%的精度，我可以从之前达到的变量值开始再次训练网络以进一步提高精度。如果可以，我如何在python中这样做

---

如果您能向我解释这一点或提供资源让我了解类似的内容，我将不胜感激。

您可以使用keras checkpoint从您完成的地方开始

从tensorflow.keras.models导入负荷模型
从tensorflow.keras.callbacks导入模型检查点
mc=ModelCheckpoint（'best_model.h5'，monitor='val_accurity'）
#训练
nn_history=my_model.fit（训练数据，回调=[mc]，验证数据=验证数据）
my_model=负载_model（'best_model.h5'））
nn_history=my_model.fit（训练数据，回调=[mc]，验证数据=验证数据）

您可以使用keras检查点从完成的地方开始

从tensorflow.keras.models导入负荷模型
从tensorflow.keras.callbacks导入模型检查点
mc=ModelCheckpoint（'best_model.h5'，monitor='val_accurity'）
#训练
nn_history=my_model.fit（训练数据，回调=[mc]，验证数据=验证数据）
my_model=负载_model（'best_model.h5'））
nn_history=my_model.fit（训练数据，回调=[mc]，验证数据=验证数据）

是。这可以描述为转移学习或微调

如果已将模型保存为h5，则可以使用以下内容加载：

from tensorflow.keras.models import Model

load_modelmodel= load_model('path/to/model.h5')

要确认加载，您可以编写：

model.summary

从这里，您可以更改超参数，如损失、学习率，甚至可以更改或添加图层

是用于保存和加载模型的keras指南。

---

我建议使用

ModelCheckpointCallback

保存每个历元，以便在出现过度拟合时始终可以返回

是。这可以描述为转移学习或微调

如果已将模型保存为h5，则可以使用以下内容加载：

from tensorflow.keras.models import Model

load_modelmodel= load_model('path/to/model.h5')

要确认加载，您可以编写：

model.summary

从这里，您可以更改超参数，如损失、学习率，甚至可以更改或添加图层

是用于保存和加载模型的keras指南。 我建议使用

ModelCheckpointCallback

保存每个历元，以便在出现过度拟合时始终可以返回