Keras加载.h5模型后是否需重新compile才能继续训练？

要不要在加载.h5格式Keras模型后重新调用compile()，没有统一答案，完全看你保存模型的方式和加载后的使用需求：

• 如果你是用model.save()导出的**包含模型结构、权重、训练配置（优化器、损失、指标）**的完整.h5模型，加载时也没加特殊参数，那加载完可以直接调用fit()开展训练，不需要重新compile。
  这种情况下模型连之前优化器的动量、学习率调度状态都会一起恢复，完全是接着你上次保存的训练进度往下跑，不会丢训练状态。
• 出现以下任意一种情况，你必须手动调用model.compile()之后才能训练：
  • 你加载的不是完整模型，只是用model.save_weights()导出的纯权重.h5文件：这类文件只存了参数值，没有模型结构也没有训练配置，你得先搭好和权重匹配的模型结构、加载权重，再compile才能训。
  • 加载模型时显式传了compile=False参数：这个参数会跳过加载训练配置的步骤，加载后的模型是未编译状态，自然要手动compile。
  • 你加载完模型之后要修改训练配置：比如换优化器、换损失函数、换评估指标、调整学习率，哪怕之前加载了旧的编译配置，新配置不会自动生效，必须重新compile。
  • 原模型训练时用了自定义损失、自定义层、自定义指标，你加载的时候没通过custom_objects参数传入这些自定义组件：这种情况要么加载时把自定义组件传全，要么加载完重新compile配置可用的损失、优化器、指标，不然跑训练会直接报错。

代码示例 #

无需重新compile的场景 #

# 加载全量保存的.h5模型，默认自动恢复所有编译配置和优化器状态
model = keras.models.load_model('path/to/full_model.h5')
# 直接启动训练即可，会衔接之前的训练进度
model.fit(train_data, epochs=20, validation_data=val_data)

需要重新compile的场景 #

# 比如加载时指定跳过编译步骤
model = keras.models.load_model('path/to/full_model.h5', compile=False)
# 手动指定训练所需的优化器、损失、指标
model.compile(
    optimizer=keras.optimizers.Adam(learning_rate=1e-5),
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)
# 编译完成后才能正常训练
model.fit(train_data, epochs=20, validation_data=val_data)

内容的提问来源于stack exchange，提问作者Manoj D Bhat