是否可以停止机器学习训练并稍后继续？
Is it possible to stop machine learning training and continue it later?
我现在做的是GAN。事实上，我们并不知道 CNN 和 RNN 马上用 GAN 做什么，而且由于计算环境是个人的，我们正在研究“Google Colab”的付费版本。我了解 Google Colab 最多可以使用开发环境 24 小时（不完全是 24 小时）。
因此，机器学习需要一些时间，并且在中间被切断，到目前为止，我一直被迫学习可以在 24 小时内训练的数据集和 epokes，并且突然我想，“我们不能积累训练吗？”
所以我的问题是，例如，如果我用最多 100 个 epokes 进行训练，但只进行了 50 次就被切断了，我不能从 50 次开始进行下一次训练吗？如果我们能做到这一点，那么 Google Colab 可以在 24 小时限制的情况下继续每 24 小时进行一次训练，这样是不是可以进行长时间的训练？我也是这么想的。
这可能吗？
在 PyTorch 或 Tensorflow 等框架中，这非常简单。您可以保存模型的权重，然后稍后恢复这些权重，您所要做的就是创建模型的实例并加载权重。
对于 PyTorch，你基本上是这样做的：
torch.save(model.state_dict(), path_to_save_to)
何时加载保存的权重：
model = ModelClass()
model.load_state_dict(torch.load(path_saved_to)
您可能希望在每个 epoch 之后或每 n 个 epoch 之后或仅在模型性能提升时保存等等。
如果你没有使用任何框架，即使那样也是可能的。您可以将模型权重保存在 Numpy 数组中，然后可以通过多种方式将其保存到 Gdrive。再次需要时，实例化您的模型，而不是随机初始化您的参数，而是将它们设置为您加载的 Numpy 数组。
我现在做的是GAN。事实上，我们并不知道 CNN 和 RNN 马上用 GAN 做什么，而且由于计算环境是个人的，我们正在研究“Google Colab”的付费版本。我了解 Google Colab 最多可以使用开发环境 24 小时（不完全是 24 小时）。
因此，机器学习需要一些时间，并且在中间被切断，到目前为止，我一直被迫学习可以在 24 小时内训练的数据集和 epokes，并且突然我想，“我们不能积累训练吗？”
所以我的问题是，例如，如果我用最多 100 个 epokes 进行训练，但只进行了 50 次就被切断了，我不能从 50 次开始进行下一次训练吗？如果我们能做到这一点，那么 Google Colab 可以在 24 小时限制的情况下继续每 24 小时进行一次训练，这样是不是可以进行长时间的训练？我也是这么想的。
这可能吗？
在 PyTorch 或 Tensorflow 等框架中，这非常简单。您可以保存模型的权重，然后稍后恢复这些权重，您所要做的就是创建模型的实例并加载权重。
对于 PyTorch，你基本上是这样做的：
torch.save(model.state_dict(), path_to_save_to)
何时加载保存的权重：
model = ModelClass()
model.load_state_dict(torch.load(path_saved_to)
您可能希望在每个 epoch 之后或每 n 个 epoch 之后或仅在模型性能提升时保存等等。
如果你没有使用任何框架，即使那样也是可能的。您可以将模型权重保存在 Numpy 数组中，然后可以通过多种方式将其保存到 Gdrive。再次需要时，实例化您的模型，而不是随机初始化您的参数，而是将它们设置为您加载的 Numpy 数组。