LSTM模型是否保留了之前的训练信息？

Question

我想在循环中将 LSTM 模型拟合到新数据集上，因此我已经像这样实现了它，

#................................define model...........................
model =Sequential()
model.add(LSTM(100, activation='relu', input_shape=(n_input,n_features)))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')
model.summary()

for k, v in enumerate(nse.get_fno_lot_sizes()):
    if v not in ('^NSEI','NIFTYMIDCAP150.NS','NIFTY_FIN_SERVICE.NS','^NSEBANK'):
        #-----------Create Training--------------------

        df = pd.read_csv('data\\'+ v+ ".csv", index_col = 0)

        train = df[['close']].iloc[:int(len(df)*0.8)]
        scaler = MinMaxScaler()
        scaler.fit(train)
        scaled_train = scaler.transform(train)
         
        #------------------------------------------------------
        generator = TimeseriesGenerator(scaled_train,scaled_train,length=n_input, batch_size=1)

        #-----------------------------------------------------
        #fit model
        model.fit(generator,epochs=10)

但是当它在循环中的新数据上进行训练时，我没有看到损失有太大变化。

那么模型定义应该在 for 循环内部吗？或者模型是否保留在对先前数据进行训练时学到的信息，并在对新数据进行训练时从那里开始？

输出看起来像这样，正如您所看到的，第一次迭代的损失有所改善，但在随后的迭代中，尽管损失非常少，但没有改善。所以我在想这个模型是从之前的数据中学到的东西开始的吗？

ABB
Epoch 1/10
340/340 [==============================] - 5s 9ms/step - loss: 0.0110
Epoch 2/10
340/340 [==============================] - 4s 11ms/step - loss: 0.0036
Epoch 3/10
340/340 [==============================] - 5s 14ms/step - loss: 0.0030
Epoch 4/10
340/340 [==============================] - 5s 15ms/step - loss: 0.0026
Epoch 5/10
340/340 [==============================] - 5s 15ms/step - loss: 0.0023
Epoch 6/10
340/340 [==============================] - 4s 11ms/step - loss: 0.0021
Epoch 7/10
340/340 [==============================] - 3s 9ms/step - loss: 0.0021
Epoch 8/10
340/340 [==============================] - 4s 12ms/step - loss: 0.0018
Epoch 9/10
340/340 [==============================] - 6s 18ms/step - loss: 0.0019
Epoch 10/10
340/340 [==============================] - 4s 13ms/step - loss: 0.0016
2095.0888767714823
COFORGE
Epoch 1/10
341/341 [==============================] - 5s 15ms/step - loss: 5.6781e-04
Epoch 2/10
341/341 [==============================] - 5s 15ms/step - loss: 7.1337e-04
Epoch 3/10
341/341 [==============================] - 3s 9ms/step - loss: 8.9877e-04
Epoch 4/10
341/341 [==============================] - 4s 10ms/step - loss: 6.3606e-04
Epoch 5/10
341/341 [==============================] - 5s 14ms/step - loss: 6.4658e-04
Epoch 6/10
341/341 [==============================] - 6s 17ms/step - loss: 5.7911e-04
Epoch 7/10
341/341 [==============================] - 4s 13ms/step - loss: 5.4928e-04
Epoch 8/10
341/341 [==============================] - 4s 11ms/step - loss: 5.8189e-04
Epoch 9/10
341/341 [==============================] - 5s 14ms/step - loss: 5.8669e-04
Epoch 10/10
341/341 [==============================] - 5s 15ms/step - loss: 5.9930e-04

Answer 1

@Stupid_Intern，看起来您在每次迭代中都根据新数据训练模型，但使用之前迭代的拟合作为起点（如果我错了，请纠正我）。

这应该会减少模型达到良好拟合所需的时间，但不会使模型很好地拟合所有数据，而只能拟合您用来拟合它的手头数据。

您想要的是使模型适合所有数据。或者，如果您想保留循环和更新结构，您可以每次将模型拟合到所有累积数据。