keras已訓(xùn)練好模型，一段時間后又有新數(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還是TensorFlow，程序員該如何選擇深度學(xué)習(xí)框架？

如果您想用少量代碼盡快構(gòu)建和測試神經(jīng)網(wǎng)絡(luò)，keras是最快的，而且順序API和模型非常強大。而且keras的設(shè)計非常人性化。以數(shù)據(jù)輸入和輸出為例，與keras的簡單操作相比，tensorflow編譯碼的構(gòu)造過程非常復(fù)雜（尤其對于初學(xué)者來說，大量的記憶過程非常痛苦）。此外，keras將模塊化作為設(shè)計原則之一，用戶可以根據(jù)自己的需求進行組合。如果你只是想快速建立通用模型來實現(xiàn)你的想法，keras可以是第一選擇。

但是，包裝后，keras將變得非常不靈活，其速度相對較慢。如果高度包裝，上述缺點將更加明顯。除了一些對速度要求較低的工業(yè)應(yīng)用外，由于tensorflow的速度較高，因此會選擇tensorflow

如果您在驗證您的想法時，想定義損失函數(shù)而不是使用現(xiàn)有的設(shè)置，與keras相比，tensorflow提供了更大的個性空間。此外，對神經(jīng)網(wǎng)絡(luò)的控制程度將在很大程度上決定對網(wǎng)絡(luò)的理解和優(yōu)化，而keras提供的權(quán)限很少。相反，tensorflow提供了更多的控制權(quán)，比如是否訓(xùn)練其中一個變量、操作梯度（以獲得訓(xùn)練進度）等等。

盡管它們都提供了深度學(xué)習(xí)模型通常需要的功能，但如果用戶仍然追求一些高階功能選擇，例如研究特殊類型的模型，則需要tensorflow。例如，如果您想加快計算速度，可以使用tensorflow的thread函數(shù)來實現(xiàn)與多個線程的相同會話。此外，它還提供了調(diào)試器功能，有助于推斷錯誤和加快操作速度。

如何保存訓(xùn)練好的機器學(xué)習(xí)模型呢？

經(jīng)過訓(xùn)練的機器學(xué)習(xí)模型是一堆參數(shù)。有許多方法可以保存這些參數(shù)。幾乎每個框架都提供了相應(yīng)的Save命令。至于要保存的文件的具體格式，則要視具體情況而定。需要考慮寫入文件的時間和大小，特別是對于深度神經(jīng)網(wǎng)絡(luò)，參數(shù)應(yīng)該被保存，這將是一個驚人的數(shù)量。

重新加載模型只是將保存的模型恢復(fù)到特定模型。根據(jù)模型的規(guī)則保存參數(shù)。模型恢復(fù)后，只需提供輸入，即可根據(jù)之前保存的參數(shù)進行輸出。

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。這樣，公共應(yīng)用服務(wù)器仍然可以承受計算負(fù)載。

但是，如果模型復(fù)雜，則不建議這樣做。機器無法運行，針對性的浮點優(yōu)化也無法在短時間內(nèi)解決。此時仍建議使用培訓(xùn)機通過web服務(wù)完成Python的遠(yuǎn)程調(diào)用，實現(xiàn)業(yè)務(wù)應(yīng)用。