使用Keras训练网络：再次调用model.fit是否会重置已训练权重？

嘿，这个问题问到点子上了！很多刚开始用Keras训练模型的朋友都会碰到这种场景——训练到一半暂停查状态，想接着训又怕之前的功夫白费。直接给你结论：

默认情况下，第二次调用model.fit()绝对不会重新初始化已训练的权重！

背后的逻辑很简单： #

Keras的模型对象会持续保留训练过程中更新的权重状态。当你第一次跑完20个epoch暂停后，模型里每一层的权重都已经是经过20轮迭代优化后的结果了。这时候只要你没做以下几件“踩坑”操作，模型就会从当前状态继续训练：

• 重新定义/实例化了整个模型（比如又写了一遍model = Sequential([...])）
• 手动调用了model.reset_weights()方法
• 重新编译模型时完全重构了层结构（单纯修改优化器参数的重新编译不会重置原有权重）

给你个标准的继续训练写法： #

为了让训练日志里的epoch计数更连贯（避免第二次训练从0开始算），建议你在第二次调用model.fit()时指定initial_epoch参数，比如：

# 第一次训练到第20个epoch
model.fit(x_train, y_train, epochs=20, batch_size=32)

# 第二次从第21个epoch开始，继续训练到第40个epoch
model.fit(x_train, y_train, initial_epoch=20, epochs=40, batch_size=32)

这样训练输出里的epoch数会从21开始往上走，能清晰看到整个训练的连续进度。

额外提醒： #

如果在两次训练之间你修改了模型结构（比如新增了一层、调整了某层的神经元数量），那你需要重新编译模型。这时候原有未修改的层权重依然会保留，只有新增的层会使用默认初始化方式生成权重，不会影响你之前训练的成果。

内容的提问来源于stack exchange，提问作者Lilo