【问题标题】：How does keras model fit differ when called multiple times with different datasets each time and when called once with all datasets?当每次使用不同的数据集多次调用以及使用所有数据集调用一次时，keras 模型的拟合有何不同？
【发布时间】：2021-10-16 02:14:15
【问题描述】：
我正在处理时间序列数据集，其中有两种不同的情况。一个我的序列大小相同，另一个序列长度不同。当我有相同长度的序列时，我可以合并所有数据集，然后拟合一次模型。
但是对于不同长度的序列，我想知道 keras model.fit 的行为会有什么不同
- 如果模型以批量大小=序列长度的方式一一拟合每个不同长度的序列
- 如果模型被拟合一次，所有序列合并在一起并具有固定的批量大小
根据给定的场景，正确或更好的行动方案应该是什么？
【问题讨论】：
标签：
python
tensorflow
keras
time-series
recurrent-neural-network
【解决方案1】：
在第一种情况下，首先使用第一个数据集优化权重，然后为第二个数据集更改（更新）权重，依此类推。在第二种情况下，您同时要求模型从所有数据集中学习模式。这意味着权重将一次根据所有数据集进行调整。我更喜欢第二种方法，因为 NN 在新数据集上训练时倾向于忘记/中断。他们更有可能关注最近看到的数据。