keras已訓(xùn)練好模型，一段時(shí)間后又有新數(shù)據(jù)，如何在已有模型基礎(chǔ)上繼續(xù)做增量訓(xùn)練？我也是一個(gè)菜鳥，可以用來交流。。。在我看來，如果網(wǎng)絡(luò)不需要調(diào)整（例如不添加新的類別），只需使用一個(gè)小的學(xué)習(xí)率來微調(diào)網(wǎng)絡(luò)

keras已訓(xùn)練好模型，一段時(shí)間后又有新數(shù)據(jù)，如何在已有模型基礎(chǔ)上繼續(xù)做增量訓(xùn)練？

我也是一個(gè)菜鳥，可以用來交流。。。

在我看來，如果網(wǎng)絡(luò)不需要調(diào)整（例如不添加新的類別），只需使用一個(gè)小的學(xué)習(xí)率來微調(diào)網(wǎng)絡(luò)的所有數(shù)據(jù)。

如果網(wǎng)絡(luò)結(jié)構(gòu)發(fā)生變化（如增加新的類別），在前期（如conv層）固定網(wǎng)絡(luò)參數(shù)，后期（如FC層）直接學(xué)習(xí)參數(shù)。然后放開凍結(jié)，微調(diào)大局。

keras訓(xùn)練好的網(wǎng)絡(luò)，怎么在c 程序中調(diào)用？

我嘗試使用其他培訓(xùn)數(shù)據(jù)來調(diào)用Java。一些建議。首先，如果訓(xùn)練模型很小，可以先得到訓(xùn)練參數(shù)，然后用C語言調(diào)用，當(dāng)然，矩陣的計(jì)算需要自己準(zhǔn)備。

我以前是這樣的，但它有很大的局限性。最大的問題是這種方法的前提，當(dāng)模型不復(fù)雜時(shí)。這樣，公共應(yīng)用服務(wù)器仍然可以承受計(jì)算負(fù)載。

但是，如果模型復(fù)雜，則不建議這樣做。機(jī)器無法運(yùn)行，針對(duì)性的浮點(diǎn)優(yōu)化也無法在短時(shí)間內(nèi)解決。此時(shí)仍建議使用培訓(xùn)機(jī)通過web服務(wù)完成Python的遠(yuǎn)程調(diào)用，實(shí)現(xiàn)業(yè)務(wù)應(yīng)用。

如何提高keras模型預(yù)測(cè)速度？

一旦確定了keras模型，在不修改keras框架的源代碼的情況下，什么都不會(huì)改變。唯一的出路是擴(kuò)大GPU。

一般情況下，我們只能嘗試修改模型結(jié)構(gòu)、量化剪枝等方式，自行修改框架源代碼，沒有必要。

通常，為了加快模型的預(yù)測(cè)速度，只需加載一次模型即可。

當(dāng)模型的預(yù)測(cè)時(shí)間過長時(shí)，通常采用減少卷積核、減少卷積核數(shù)、增加步長、增加池單元等方法。一些參數(shù)較少的主干也可能被替換。

或者考慮使用移動(dòng)終端分離卷積和空穴卷積。

最后，默認(rèn)情況下，我們的模型由floaf32的精度表示，可以適當(dāng)量化。它以16位、8位甚至2位精度表示。只要模型的精度不顯著降低，且滿足使用場(chǎng)景，則是合理的。

如果您在這方面還有其他問題，請(qǐng)關(guān)注我，一起學(xué)習(xí)。