我如何重新训练模型而不会丢失带有新数据集的早期模型数据答案

【问题标题】：How do i retrain the model without losing the earlier model data with new set of data我如何重新训练模型而不会丢失带有新数据集的早期模型数据
【发布时间】：2020-01-22 17:39:27
【问题描述】：

就我目前的需求而言，我有一个包含 100 个不同人的 10k+ 人脸的数据集，我从中训练了一个用于识别人脸的模型。该模型是通过从 facenet_keras.h5 模型中获取 128 个向量并将这些向量值馈送到 Dense 层以对人脸进行分类来训练的。但我目前面临的问题是

如果要训练一张人脸，我必须重新训练整个模型。

我应该如何应对这个挑战？我读过一个叫做迁移学习的概念，但我不知道如何实现它。请就这个问题提出你的建议。有什么可能的解决方案？

【问题讨论】：

你到底想做什么？为您的特定 100 人重新训练原始网络，还是在训练后将新人添加到数据库中？

标签： python-3.x tensorflow keras deep-learning face-recognition

【解决方案1】：

通过迁移学习，您可以复制现有的预训练模型，并将其用于与原始模型不同但相似的数据集。在您的情况下，如果您想训练模型以识别您的特定 100 人，这将是您需要做的。

如果你已经这样做了，并且你想在数据库中添加另一个人而不必重新训练完整的模型，那么我会冻结所有层（为所有层设置layer.trainable = False），除了最终的全连接层（或最后几层）。然后我会将最后一层（有 100 个节点）替换为有 101 个节点的层。您甚至可以将权重复制到前 100 个节点，也可以冻结它们（我不确定这在 Keras 中是否可行）。在这种情况下，您将重复使用所有经过训练的卷积层等，并教模型识别这张新面孔。

【讨论】：

嘿@wohe1，我不知道如何使用标签添加新人，因为我正在使用 tf.keras.utils.to_categorical 进行单热编码，它从 0 索引开始, 我怎样才能将新标签附加到最后，请帮我解决这个问题。
当前你有一个 N×100 的数组，你可以创建一个大小为 N×101 的新数组，用零填充，并将第一个数组的值复制到最后一个。然后为新面孔添加新条目
所以，让我简要描述一下我正在研究的内容，因此我设置了来自不同 100 个人的 10k 张面孔。我所做的是首先从我的数据集中存在的每张脸中获取 128d 向量值，
在获得这些向量之后，我使用密集层对其进行了训练，因此在训练之前，我将数据分成两部分（通过使用 to_categorical 进行单热编码）测试和训练。我有一个包含文件夹名称 0-100 的数据集，所以我拆分数据的时间（y_data 数组是标签，它的大小是（10000,1））。所以，如果我想通过添加一个带有标签的新人来重新训练模型，在这里我需要再次将数据分成两部分，训练和测试，所以这里的索引从零开始，它会覆盖模型数据。
我不确定你的问题是什么，首先：128d 向量值是什么意思？

【解决方案2】：

您可以通过以下方式保存您的权重来保存您的训练结果：

model.save_weights('my_model_weights.h5')

在您将新图像添加到数据集后，稍后再次加载它们以恢复您的训练：

model.load_weights('my_model_weights.h5')

【讨论】：