從事機器學習的學者大多認為持續學習（Continual Learning）是邁向人工智能的根本一步。持續學習是模型模仿人類在整個生命周期中不斷從數據流中學習、微調、轉移知識和技能的能力。實際上，這意味着模型在進入新數據時能自主學習和適應生產。過去提出自動自適應學習（Auto-adaptive Learning），或持續自動機器學習（Continual AutoML）就是出於對這項能力的支持。在機器學習中，目標是通過生產環境部署模型，通過持續學習，我們希望使用進入生產環境的數據，並激活訓練過程重新訓練模型。
持續學習帶來的好處是顯而易見的，典型的就是商品銷售推薦。隨着不同時期客戶流量的特點熱銷商品會發生變化，比如以往在運動季節買飲料的客戶，過了幾個月會慢慢改成買純凈水了，這個過程不是突然轉變的，如果沒有持續學習的機制讓推薦模型適應，那就要等到人為感知到模型的不准確，然后再重新收集數據訓練新模型，這樣一來不僅要耗費專門的時間處理，還錯過了好的銷售時機。
持續學習最重要的構件之一就是 AutoML，當我們有了預處理后的數據集或數據流，也設計好了在管道中訓練的流程閉環，AutoML 才會發揮價值，在算法種類、超參數、迭代方式、內存消耗、指標、准確性等方面擇優平衡。ML.NET 在 1.x 版本后就已經具備了 AutoML 的特性，這在我以前的文章介紹過了。這次僅介紹 ML.NET 是怎么開展重新訓練步驟的。
到目前已知 ML.NET 中重新訓練支持以下這些算法：
- AveragedPerceptronTrainer
- FieldAwareFactorizationMachineTrainer
- LbfgsLogisticRegressionBinaryTrainer
- LbfgsMaximumEntropyMulticlassTrainer
- LbfgsPoissonRegressionTrainer
- LinearSvmTrainer
- OnlineGradientDescentTrainer
- SgdCalibratedTrainer
- SgdNonCalibratedTrainer
- SymbolicSgdLogisticRegressionBinaryTrainer
以回歸算法訓練的模型為例，假設我們已經有了如下的訓練過程：
// Define data preparation estimator IEstimator<ITransformer> dataPrepEstimator = mlContext.Transforms.Concatenate("Features", new string[] { "Size", "Prices" }) .Append(mlContext.Transforms.NormalizeMinMax("Features")); // Create data preparation transformer ITransformer dataPrepTransformer = dataPrepEstimator.Fit(data); // Define OnlineGradientDescent regression algorithm estimator var ogdEstimator = mlContext.Regression.Trainers.OnlineGradientDescent(); // Pre-process data using data prep operations IDataView transformedData = dataPrepTransformer.Transform(data); // Train regression model RegressionPredictionTransformer<LinearRegressionModelParameters> trainedModel = ogdEstimator.Fit(transformedData);
保存數據准備管道和已訓練的模型，我們一般使用以下方式：
// Save Data Prep transformer mlContext.Model.Save(dataPrepTransformer, data.Schema, "data_preparation_pipeline.zip"); // Save Trained Model mlContext.Model.Save(trainedModel, transformedData.Schema, "model.zip");
當我們開始要重新訓練前，反過來要先加載預訓練的模型，使用以下代碼：
// Create MLContext MLContext mlContext = new MLContext(); // Define DataViewSchema of data prep pipeline and trained model DataViewSchema dataPrepPipelineSchema, modelSchema; // Load data preparation pipeline ITransformer dataPrepPipeline = mlContext.Model.Load("data_preparation_pipeline.zip", out dataPrepPipelineSchema); // Load trained model ITransformer trainedModel = mlContext.Model.Load("model.zip", out modelSchema);
然后就可以提取預訓練的模型參數，加載模型后，通過訪問預訓練模型的 Model 屬性來提取已學習的模型參數。
// Extract trained model parameters LinearRegressionModelParameters originalModelParameters = ((ISingleFeaturePredictionTransformer<object>)trainedModel).Model as LinearRegressionModelParameters;
重新訓練模型的過程與訓練模型的過程沒有什么不同。 唯一的區別是，除了數據之外，Fit 方法還將原始學習模型參數作為輸入，並將它們用作重新訓練過程的起點。
//Load New Data IDataView newData = mlContext.Data.LoadFromEnumerable<SomeData>(someData); // Preprocess Data IDataView transformedNewData = dataPrepPipeline.Transform(newData); // Retrain model RegressionPredictionTransformer<LinearRegressionModelParameters> retrainedModel = mlContext.Regression.Trainers.OnlineGradientDescent() .Fit(transformedNewData, originalModelParameters);
當然我們總是想比較一下模型參數，看看是否真的進行了重新訓練。一種方法是比較重新訓練模型的參數是否與原始模型的參數不同。 下面的代碼示例將原始模型與重新訓練模型的權重進行比較，並將它們輸出到控制台。
// Extract Model Parameters of re-trained model LinearRegressionModelParameters retrainedModelParameters = retrainedModel.Model as LinearRegressionModelParameters; // Inspect Change in Weights var weightDiffs = originalModelParameters.Weights.Zip( retrainedModelParameters.Weights, (original, retrained) => original - retrained).ToArray(); Console.WriteLine("Original | Retrained | Difference"); for(int i=0;i < weightDiffs.Count();i++) { Console.WriteLine($"{originalModelParameters.Weights[i]} | {retrainedModelParameters.Weights[i]} | {weightDiffs[i]}"); }
下表演示了比較模型參數的輸出效果， 從表格中反映了四項參數權重發生了調整：
| 原始 | 重新訓練后 | 差值 |
| 33039.86 | 56293.76 | -23253.9 |
| 29099.14 | 49586.03 | -20486.89 |
| 28938.38 | 48609.23 | -19670.85 |
| 30484.02 | 53745.43 | -23261.41 |