如何 "Iterate" 上 Computer Vision 机器学习模型？
How to "Iterate" on Computer Vision machine learning model?
我使用 google 云视觉 api 创建了一个模型。我花了无数个小时标记数据，并训练了一个模型。在模型 "training" 将近 20 小时结束时，它仍然时好时坏。
如何迭代此模型？我不想丢失目前已完成的 "learning"。它工作了大约 3/5 次。
我最好的猜测是我应该再次遍历对象，找到错误的地方，并相应地标记。但我不确定最好的方法。我是否应该将 "misses" 处的所有图像标记为测试数据图像？是否有我可以阅读的有关此主题的最佳实践或资源？
我绝不是专家，但以下是我按照最重要到最不重要的顺序提出的建议：
1) 如果可能，请添加更多数据。更多数据总是一件好事，有助于提高网络预测的稳健性。
2)
3) 修补一下 kernel and bias initialisers
4) [与您的问题最相关的答案] 保存模型的训练权重并在训练前将它们重新加载到新模型中。
5) 更改您正在使用的模型架构类型。然后，对 epoch 数、验证拆分、损失评估公式等进行修补
希望对您有所帮助！
编辑：关于数字 4
的更多信息
因此您可以在模型训练期间或之后保存和加载模型权重。 See here 了解有关保存的更多深入信息。
大体上，让我们介绍一下基础知识。我假设你正在通过 keras 但同样适用于 tf:
训练后保存模型
只需致电：
model_json = model.to_json()
with open("{Your_Model}.json", "w") as json_file:
json_file.write(model_json)
# serialize weights to HDF5
model.save_weights("{Your_Model}.h5")
print("Saved model to disk")
正在加载模型
您可以像这样从 json 加载模型结构：
from keras.models import model_from_json
json_file = open('{Your_Model.json}', 'r')
loaded_model_json = json_file.read()
json_file.close()
model = model_from_json(loaded_model_json)
如果你想加载权重：
model.load_weights('{Your_Weights}.h5', by_name=True)
然后编译模型，就可以retrain/predict了。 by_name 对我来说，将权重重新加载到相同的模型架构中至关重要；遗漏它可能会导致错误。
训练期间检查模型
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath={checkpoint_path},
save_weights_only=True,
verbose=1)
# Train the model with the new callback
model.fit(train_images,
train_labels,
epochs=10,
validation_data=(test_images,test_labels),
callbacks=[cp_callback]) # Pass callback to training
我使用 google 云视觉 api 创建了一个模型。我花了无数个小时标记数据，并训练了一个模型。在模型 "training" 将近 20 小时结束时，它仍然时好时坏。
如何迭代此模型？我不想丢失目前已完成的 "learning"。它工作了大约 3/5 次。
我最好的猜测是我应该再次遍历对象，找到错误的地方，并相应地标记。但我不确定最好的方法。我是否应该将 "misses" 处的所有图像标记为测试数据图像？是否有我可以阅读的有关此主题的最佳实践或资源？
我绝不是专家，但以下是我按照最重要到最不重要的顺序提出的建议：
1) 如果可能，请添加更多数据。更多数据总是一件好事，有助于提高网络预测的稳健性。
2)
3) 修补一下 kernel and bias initialisers
4) [与您的问题最相关的答案] 保存模型的训练权重并在训练前将它们重新加载到新模型中。
5) 更改您正在使用的模型架构类型。然后，对 epoch 数、验证拆分、损失评估公式等进行修补
希望对您有所帮助！
编辑：关于数字 4
的更多信息因此您可以在模型训练期间或之后保存和加载模型权重。 See here 了解有关保存的更多深入信息。
大体上，让我们介绍一下基础知识。我假设你正在通过 keras 但同样适用于 tf:
训练后保存模型
只需致电：
model_json = model.to_json()
with open("{Your_Model}.json", "w") as json_file:
json_file.write(model_json)
# serialize weights to HDF5
model.save_weights("{Your_Model}.h5")
print("Saved model to disk")
正在加载模型
您可以像这样从 json 加载模型结构：
from keras.models import model_from_json
json_file = open('{Your_Model.json}', 'r')
loaded_model_json = json_file.read()
json_file.close()
model = model_from_json(loaded_model_json)
如果你想加载权重：
model.load_weights('{Your_Weights}.h5', by_name=True)
然后编译模型，就可以retrain/predict了。 by_name 对我来说，将权重重新加载到相同的模型架构中至关重要；遗漏它可能会导致错误。
训练期间检查模型
cp_callback = tf.keras.callbacks.ModelCheckpoint(filepath={checkpoint_path},
save_weights_only=True,
verbose=1)
# Train the model with the new callback
model.fit(train_images,
train_labels,
epochs=10,
validation_data=(test_images,test_labels),
callbacks=[cp_callback]) # Pass callback to training