加载经过培训的Keras模型并继续培训

我想知道是否有可能保存一个部分训练过的Keras模型，并在再次加载模型后继续训练

原因是我将来会有更多的训练数据，我不想再次训练整个模型

我使用的功能有：

#部分列车模型
模型拟合（第一次培训，第一次上课，批量大小=32，nb\U历元=20）
#保存部分训练模型
型号.save（'partial_trained.h5'）
#负荷部分训练模型
从keras.models导入负载_模型
模型=负载模型（'partial_trained.h5'）
#继续训练
模型拟合（第二次培训，第二次课程，批量大小=32，nb\U历元=20）

编辑1：添加了完整的工作示例

对于10个历元后的第一个数据集，最后一个历元的损失为0.0748，精度为0.9863

保存、删除和重新加载模型后，在第二个数据集上训练的模型的损失和精度将分别为0.1711和0.9504

这是由新的训练数据还是完全重新训练的模型引起的

”&引用&引用；
建模人：http://machinelearningmastery.com/
&引用&引用&引用；
#加载（必要时下载）MNIST数据集
进口numpy
从keras.dataset导入mnist
从keras.models导入顺序
从keras.layers导入稠密
从keras.utils导入np_utils
从keras.models导入负载_模型
随机种子（7）
def基线_模型（）：
模型=顺序（）
添加（密集（num_像素，input_dim=num_像素，init='normal'，activation='relu'））
添加（密集（num_类，init='normal'，activation='softmax'））
compile（loss='classifical_crossentropy'，optimizer='adam'，metrics=['accurity']）
回归模型
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
#加载数据
（X_列，y_列），（X_测试，y_测试）=列表负载数据（）
#将每个图像的28*28图像展平为784矢量
num_pixels=X_train.shape[1]*X_train.shape[2]
X_train=X_train.reformate（X_train.shape[0]，num_像素）.astype（'float32'））
X_test=X_test.reformate（X_test.shape[0]，num_像素）。astype（'float32'））
#将输入从0-255标准化为0-1
X_列=X_列/255
X_测试=X_测试/255
#一个热编码输出
y_列=np_utils.to_categorical（y_列）
y_检验=np_实用到_分类（y_检验）
num_classes=y_test.shape[1]
#建立模型
模型=基线_模型（）
#部分列车模型
数据集1_x=x_列车[：3000]
数据集1_y=y_列[：3000]
model.fit（数据集1_x，数据集1_y，nb_epoch=10，批次大小=200，详细度=2）
#模型的最终评估
分数=模型。评估（X_测试，y_测试，详细度=0）
打印（“基线错误：%.2f%%”（100分[1]*100））
#保存部分训练模型
型号.save（'partial_trained.h5'）
del模型
#重新加载模型
模型=负载模型（'partial_trained.h5'）
#继续训练
数据集2_x=x_列[3000:]
数据集2_y=y_列[3000:]
model.fit（数据集2_x，数据集2_y，nb_epoch=10，批次大小=200，详细度=2）
分数=模型。评估（X_测试，y_测试，详细度=0）
打印（“基线错误：%.2f%%”（100分[1]*100））

编辑2:tensorflow.keras备注

对于tensorflow.keras，在模型拟合中将参数nb_epochs更改为epochs。导入和basemodel函数是：

导入numpy
从tensorflow.keras.datasets导入mnist
从tensorflow.keras.models导入顺序
从tensorflow.keras.layers导入稠密
从tensorflow.keras.utils导入到
从tensorflow.keras.models导入负载_模型
随机种子（7）
def基线_模型（）：
模型=顺序（）
添加（密集（num_像素，input_dim=num_像素，activation='relu'））
添加（密集（num_类，activation='softmax'））
compile（loss='classifical_crossentropy'，optimizer='adam'，metrics=['accurity']）
回归模型