keras已訓練好模型，一段時間后又有新數(shù)據(jù)，如何在已有模型基礎上繼續(xù)做增量訓練？我也是一個菜鳥，可以用來交流。。。在我看來，如果網(wǎng)絡不需要調整（例如不添加新的類別），只需使用一個小的學習率來微調網(wǎng)絡

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

我也是一個菜鳥，可以用來交流。。。

在我看來，如果網(wǎng)絡不需要調整（例如不添加新的類別），只需使用一個小的學習率來微調網(wǎng)絡的所有數(shù)據(jù)。

如果網(wǎng)絡結構發(fā)生變化（如增加新的類別），在前期（如conv層）固定網(wǎng)絡參數(shù)，后期（如FC層）直接學習參數(shù)。然后放開凍結，微調大局。

keras訓練好的網(wǎng)絡，怎么在c 程序中調用？

我嘗試使用其他培訓數(shù)據(jù)來調用Java。一些建議。首先，如果訓練模型很小，可以先得到訓練參數(shù)，然后用C語言調用，當然，矩陣的計算需要自己準備。

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，當模型不復雜時。這樣，公共應用服務器仍然可以承受計算負載。

但是，如果模型復雜，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解決。此時仍建議使用培訓機通過web服務完成Python的遠程調用，實現(xiàn)業(yè)務應用。

如何提高keras模型預測速度？

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

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

通常，為了加快模型的預測速度，只需加載一次模型即可。

當模型的預測時間過長時，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。

或者考慮使用移動終端分離卷積和空穴卷積。

最后，默認情況下，我們的模型由floaf32的精度表示，可以適當量化。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，且滿足使用場景，則是合理的。

如果您在這方面還有其他問題，請關注我，一起學習。