Python lstm如何进行前向验证&；储蓄模型

我有一个经过训练的LSTM模型。然而，我现在想尝试对我的模型进行一次前向验证&我有点困惑如何进行验证

假设我使用一年的每日数据（2010年1月至2010年12月）来预测下个月（2011年1月）。然后，一旦该月完成，我将该月的数据包括在内，因此我多年的培训数据现在是2010年2月至2011年1月，用于对2011年2月进行一些预测

所以我有2010年1月至2010年12月的训练模型。然后，如何将最终模型权重传递给下一个训练批次（2010年2月至2011年1月），使其不需要再次开始？或者每次我训练模型时，它应该以一个随机的起始重量开始

它是否只是像在循环中调用下面的函数，并以某种方式使用返回的模型？是否可以在每个训练点保存模型，以便以后检索和检查

 function train_model(X_train, y_train)

     model.fit(
        X_train,
        y_train,
        batch_size=1024,
        epochs=50,
        validation_split=0.05)

    return model

两个问题都是肯定的

1） 在不重新编译模型的情况下，模型权重将绑定到模型中，因此

#model=2010年1月至2011年1月的训练和装配模型
#
对于X、y批次：#新窗口上的批次（2010年2月至2011年2月）
模型拟合（X，y）

用于根据以前的权重更新模型，但请务必考虑这是否正是您想要做的

是的，保存和加载模型按预期工作

权重模型。获取权重（） #将权重写入磁盘 ... #重量=读取重量 #模型=负载模型架构 模型。设置权重（权重） 我们应该做到这一点

---

为了在检查点保存，我建议使用回调。这样可以很容易地保存模型和特定迭代点，以便将来可以从该点开始训练。

您可以按如下方式使用模型检查点回调：例如，捕获迄今为止获得的最大精度，并将其保存在检查点文件中。

然后拟合模型。

model.fit（epochs=10，callbacks=[model\u checkpoint\u callback]）

您可以重新加载它以进行更新。

model.load（检查点\u文件路径）

checkpoint_filepath = '/tmp/checkpoint'
model_checkpoint_callback = tf.keras.callbacks.ModelCheckpoint(
                 filepath=checkpoint_filepath,
                 monitor='val_acc',
                 mode='max',
                 save_best_only=True)