在python中制作keras模型的深度副本

我想制作我的keras模型（称为

model1

）的深度副本，以便能够在for-a循环中使用它，然后为每个for-a循环迭代重新初始化，并使用模型的一个附加样本执行

fit

。我希望能够在每次迭代后初始化模型，因为在执行

fit

之后（我的模型已被修改，但我希望在使用加载权重从路径加载时保持原样）

我的代码如下所示：

model1= create_Model()
model1.compile(optimizer='rmsprop', loss='categorical_crossentropy')
model1.load_weights('my_weights')

model_copy= create_Model()
model_copy.compile(optimizer='rmsprop', loss='categorical_crossentropy')

model_copy= keras.models.clone_model(model1)
for j in range(0, image_size):
      model_copy.fit(sample[j], sample_lbl[j])
      prediction= model_copy.predict(sample[j])

而且，每次在for循环中加载模型对我来说并不是很有效，因为这很耗时。在我的情况下，如何正确地进行深度复制？我发布的代码给出了与function.fit和我的参考模型model_copy有关的以下错误：

RuntimeError：您必须在培训/测试之前编译模型。使用

model.compile（优化器，loss）

---

问题是克隆后可能不会编译model_副本。事实上，有几个问题：

显然，克隆不会复制丢失函数、优化器信息等

在编译之前，还需要构建模型

此外，克隆不会复制重量

所以你需要在克隆后多做几行。例如，对于10个输入变量：

model_copy= keras.models.clone_model(model1)
model_copy.build((None, 10)) # replace 10 with number of variables in input layer
model_copy.compile(optimizer='rmsprop', loss='categorical_crossentropy')
model_copy.set_weights(model.get_weights())

---

更简单的方法1：从文件加载权重 如果我对你的问题理解正确，有一个更简单的方法。您不需要克隆模型，只需要保存旧的_权重并在循环开始时设置权重。您可以简单地从文件中加载权重

for _ in range(10):
    model1= create_Model()
    model1.compile(optimizer='rmsprop', loss='categorical_crossentropy')
    model1.load_weights('my_weights')

    for j in range(0, image_size):
          model1.fit(sample[j], sample_lbl[j])
          prediction= model1.predict(sample[j])

---

更简单的方法2：从以前的get_weights（）加载权重 或者，如果您不希望从文件加载：

model1= create_Model()
model1.compile(optimizer='rmsprop', loss='categorical_crossentropy')
model1.load_weights('my_weights')
old_weights = model1.get_weights()

for _ in range(10):
    model1.set_weights(old_weights)
    for j in range(0, image_size):
          model1.fit(sample[j], sample_lbl[j])
          prediction= model1.predict(sample[j])

---

如今，这是微不足道的：

model2 = tf.keras.models.clone_model(model1)

这将为您提供新模型、新图层和新权重。如果由于某种原因无法工作（我没有测试），此旧解决方案将：

model1 = Model(...)
model1.compile(...)
model1.save(savepath) # saves compiled state
model2 = keras.models.load_model(savepath)

---

指标的状态如何？我也会在循环中每次调用

reset\u metrics

，但我发现整个方案令人困惑。@JamesHirschorn，如果您谈论的是历史，则每次拟合后都会重置它，请参见此处：。至于每个层的状态，则取决于网络是否有状态，请参见此处：。我同意这是一个令人尴尬的问题。可以在当前模型1之前添加一个附加层，以拆分样本并并行运行。@Tim关于第二个更简单的方法：如果我有两个独立的网络（具有相同的体系结构），然后在一段时间后，我使用set_weights进入第一个网络，从第二个网络收集get_权重。现在，我有两个权重相同的网络。如果我修改第二个网络的权重（通过训练），而不直接修改第一个网络，它会影响第一个网络的权重吗？基本上，我要问的是set_weights/get_weights是否做“浅/深复制”，而不是仅仅“指向”同一个对象（如Python中的“a=b”）。我高度怀疑它是深复制，因为Keras只是tensorflow的包装器。@Tim所以在我的示例中，如果我编辑第一个网络的权重，它会影响第二个网络的权重吗？