训练后修改 Keras 模型

【问题标题】：Modify Keras model after training训练后修改 Keras 模型
【发布时间】：2017-09-28 14:37:24
【问题描述】：

我有一个简单的训练好的 keras 模型：

model = Sequential()
model.add(Dense(output_dim, activation='relu',input_shape(input_dim,)))
model.add(Dense(output_dim, activation='sigmoid'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train)

训练完模型后，我想添加一个层来选择权重。我试过了

model.layers.append(Dense(output_dim, activation='sigmoid', input_shape=(input_dim,), kernel_initializer='ones'))

但它不起作用...我觉得我可能需要再次编译模型，但它不起作用。有什么想法吗？

【问题讨论】：

标签： machine-learning deep-learning keras

【解决方案1】：

如果我正确理解了您的问题，那么您只需要保存模型所有层的权重即可。你可以用不同的方式来做。最简单的如下：

# training ...
temp_weights = [layer.get_weights() for layer in model.layers]

在您的模型经过训练后 - 有必要根据需要再次构建模型，再增加一层：

model = Sequential()
model.add(Dense(output_dim, activation='relu',input_shape(input_dim,)))
model.add(Dense(output_dim, activation='sigmoid'))
model.add(Dense(output_dim, activation='sigmoid', kernel_initializer='ones')) # new layer
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

并将之前保存的权重加载到相应的层中：

for i in range(len(temp_weights)):
    model.layers[i].set_weights(temp_weights[i])

【讨论】：