Python 继续就新数据培训LSTM模型

我是机器学习领域的新手，目前正在努力寻找如何在模型加载后继续训练。几乎找不到类似的主题，但仍然无法理解

我得到了时间序列预测的模型，并希望在出现新数据时对其进行重新训练（data_original+data_new）。问题是，如果我加载模型并想继续训练，它似乎是从零开始的。即使我使用完全相同的设置和数据（用于训练原始模型），也会发生这种情况

伪代码：

    def update_model(model, data, batch_size, updates):

        X, y = train[:, :-n_seq], train[:, -n_seq:]
        X = X.reshape(X.shape[0], n_lag, n_features)
        model.compile(loss='mean_squared_error', optimizer='adam')

        for i in range(updates):               
            model.fit(X, y,epoch=1,b_size=1,verbose=0, shuffle=False)
            model.reset_states()
        return model

    model = load_model("multivariete_model.h5")

---

你告诉keras每次打电话都要重新编译模型

model.compile()

每次调用

update\u model

时，您都会这样做：

model.compile(loss='mean_squared_error', optimizer='adam')

---

删除该行，培训将从以前的状态继续进行。

刚刚删除该行，并在10个时代后运行代码，对模型进行评估：原始：0.6359964006149502重新培训：0.00293751016101346:，这稍微好一点，但仍然无法解决问题。我们将在某个时候达到模型可以在给定当前参数的情况下学习。因此，除非你有另一个问题，我认为当前的行为如预期的那样。我并不真的这么认为@orsonady，我试图通过训练和重新训练几个模型来证明你的理论，但每次都是从头开始。@parsethis，我应该向加载的模型提供全部数据（上一个数据+新数据）吗？或者我应该只提供新数据吗？可能使用model.train\u on_batch（）而不是再次调用fit