增量学习必须重载模型权重，不能只调用 model.fit()；需用 load_model(..., compile=true) 并确保 include_optimizer=true，验证 optimizer.weights 非空，新数据须复用原始预处理参数与流程，推荐冻结底层微调顶层以防灾难性遗忘。
增量学习必须重载模型权重，不能只调用 model.fit()
TensorFlow 默认的 model.fit() 在加载已保存模型后继续训练，表面看是“接着训”，但若未显式重载权重（尤其是使用 tf.keras.models.load_model() 时），实际可能丢失优化器状态或使用新初始化的权重。常见现象是 loss 突然飙升、acc 归零——本质是优化器的 optimizer.weights 没恢复，导致梯度更新失效。
实操建议：
- 用
tf.keras.models.load_model("path", compile=True)加载，且确保保存时用了include_optimizer=True（默认开启） - 验证是否成功恢复：打印
model.optimizer.get_weights()长度，非空才说明优化器状态已加载 - 若从
.h5或 SavedModel 加载后 optimizer 为空，改用tf.keras.models.load_model("path", compile=False)，再手动model.compile(..., optimizer=old_optimizer)并用model.optimizer.set_weights(...)补回
新数据必须与原始训练数据做一致的预处理
增量学习不是“新数据随便喂”，而是要求归一化参数（如 mean/std）、分词器（Tokenizer）、图像尺寸等完全沿用原始训练流程。否则模型输入分布偏移，权重微调会失效甚至发散。
关键点：
- 原始训练中用的
StandardScaler或MinMaxScaler必须持久化（pickle.dump），新数据调用其transform()，而非重新fit_transform() - 文本任务中，
Tokenizer的word_index要复用；新增词需设oov_token或提前扩展filters，不可重建 tokenizer - 图像任务若原始用
tf.keras.applications.preprocess_input，新数据必须用同一 backend（如tf而非torch）和同一参数（如mode="tf"）
冻结底层 + 微调顶层是稳定增量的关键策略
全量参数更新容易灾难性遗忘（catastrophic forgetting），尤其当新数据量小（model.trainable = True 再 fit，常导致旧任务性能断崖下跌。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
推荐做法：
- 对 CNN 类模型：冻结 backbone（如
model.layers[0].trainable = False），只训练最后 1–2 个Dense层 - 对 Transformer 类模型（如 BERT）：冻结
encoder，只训练classifier或插入 adapter 层 - 学习率要降：新层用
1e-3，微调层用1e-5，可用tf.keras.optimizers.Adam(learning_rate=1e-5)或分层设置model.optimizer.learning_rate.assign(...)
保存增量后的模型必须覆盖原路径或明确版本管理
很多人增量训练完只调 model.save("new_path")，结果下次加载还是旧模型——系统没感知到“已更新”。真正生产中，要么覆盖原路径（需加锁防并发写），要么用时间戳/哈希做版本名（如 model_20240615_v2），并在服务端配置中动态读取最新路径。
注意细节：
- 用
model.save("model_dir", save_format="tf")（SavedModel 格式），它同时存图结构、权重、optimizer state，比.h5更可靠 - 若用
tf.keras.callbacks.ModelCheckpoint，设save_weights_only=False且save_best_only=False，避免只存最优而丢弃最新 - 上线前务必验证：加载新模型，用原始测试集跑一遍，确认关键指标（如 accuracy、f1）未退化
增量学习最易被忽略的是 optimizer state 的完整性与预处理 pipeline 的严格复用——这两点出错，模型看似在“学新东西”，实则在“重头学”甚至“学歪”。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
