当然，没有人为图像识别和分类创建神经网络可以为所有可能的图像输出提供位置。所以如果我制作一个神经网络，它接受数组输入并将输出作为鸟或不是鸟。在我完成第一个网络的学习后，是否可以为更多图像添加更多输出，否则学习会消失。
所以我添加了固定的输入数和 1 个输出，然后我再添加 1 个，再添加 1 个是否适用？
【问题讨论】：
标签： machine-learning neural-network computer-vision artificial-intelligence conv-neural-network
如果您可以花费资源，那么重新训练（或者更具体地说：从头开始训练）您的网络将是一件好事。但是，当您可能会取得更好的成果（或至少成本更低）时，请阅读以下方法。
但是，如果您使用的是需要数周时间来训练（在非常昂贵的）硬件上的大型流行神经网络之一，那么可能有一种方法可以触及 迁移学习。
那么至少有两种不同的方法：
在这里，您将移除最终的密集层，并使用经过训练的 NN 从图像中提取一些特征。然后，您可以在新数据集上构建一些任意新的分类器，它映射 OLD-NN-OUTPUT = FEATURES-INPUT -> 类（新的 softmax-NN 或 SVM/Kernel-SVM 或其他任何东西）。如果我们假设您的预训练 NN 是高质量的并且您的新类与学习的类没有太大区别，这听起来非常可靠。
一般而言，如果您的新类 + 数据集较小且与原始数据集相似，则此方法可能会更有利。
如果新数据不是那么相似，则可能会在某个较早的层使用某些功能（更通用）。
在这里，您将继续训练原始 NN 的权重，可能会保留第一层（甚至可能除了最后的密集层之外的所有层）。如上所述，一般的想法是，我们假设一个好的 NN 在第一层非常通用（= 提取特征），而在最后一层更具体。
如果您的新课程有大量数据，这种方法应该是有利的。根据相似性，您可以继续重新训练所有权重，或者如果非常相似，则修复一些层权重（第一个）。
这里可能存在如何实现这种方法的技术问题（例如不同的图像大小输入和其他东西）。因此，如果原始 NN 的某些约束被破坏，则需要做一些工作。调整学习的超参数也很重要（也许学习率应该更低！）。
【讨论】：