Я считаю, что НЕ правильно менять модель parameters
после ее обучения. parameters
здесь я имею в виду trainable-parameters
как веса в узле Dense, но не гиперпараметры, такие как скорость обучения.
Что такое обучение?
Обучение по сути al oop, который постоянно изменяет или обновляет parameters
. Он обновляет parameter
таким образом, чтобы, по его мнению, уменьшить потери. Это также похоже на перемещение точки в гиперпространстве, функция потерь дает небольшую потерю на этой точке .
Меньшие потери означают большее накопление в целом.
Изменение веса
Итак, теперь, изменяя ваши значения parameters
, случайно или намеренно, это похоже на перемещение этой точки куда-нибудь, НО у вас нет логической причины, по которой такое движение принесет вам меньший убыток . Вы просто случайным образом блуждаете по этому гиперпространству, и в вашем случае вам просто повезло, что вы приземлились на какую-то точку , которая, таким образом, дала вам меньшую потерю или лучшую точность тестирования. Это просто удача.
Изменение функции активации
Кроме того, изменение функции активации с leakyRelu
на relu
похоже на случайное изменение формы вашего хайп-пространство. Даже если вы находитесь в некоторой точке ландшафт меняется, у вас все еще нет логических оснований полагать, что при таком изменении ландшафта вы можете иметь меньшие потери, оставаясь на той же точке
При смене модели вручную нужно переучиваться.