我正在构建一个分类模型，该模型需要分类为许多可能的输出之一。我事先知道，随着情况的变化，我需要在输出层中添加和减去节点。请向我推荐您知道的任何可以帮助我了解潜在方法的资源。当然，我每次都可以从头开始重新训练模型。我正在寻找替代品。我只知道两种方法：
我需要一个非常细化的特定级别，例如，我希望能够识别出一个主要关注“乌兹别克斯坦山羊放牧实践的变化”等主题的文档。这是一个虚构的要求，但关键是它可能具有非常特定的功能。请就我提到的方法的优缺点提供意见，并添加我没有想到的任何方法。
@DPCII，我认为在运行时修改输出节点不会对您有所帮助。这是因为，
神经网络在特定数据集上进行训练，并仅预测预定义变量。在反向传播（用于优化）中，梯度是针对每个权重和偏差（或任何其他参数）使用损失函数（也是目标函数）计算的。
为了改变输出节点的数量，假设您已经删除了一些来自上一层的连接。但在训练期间，的激活函数的梯度进行了优化。
因此，在推理时移除输出节点会影响所有先前的层，这反过来会影响最终输出（剩余节点的）。
相反，我建议构建一个预测所有可能类别的神经网络。在需要预测某些所需节点的各种样本上训练此 NN。让我通过一个例子来解释这一点。
假设，我们有一个预测类的神经网络。对于特定样本，我们只需要对和类的预测，给定样本。对于此示例，我们将标签设置为我们只设置类和的值，其余所有类都设置为零。
同样，我们为各种样本分配标签，并只设置那些需要预测的值。其余所有值都设置为零。
这实际上是我们对图像进行的常见分类。对于给定的猫样本，我想预测的数组和狗的样本。
因此，我们可以应用这种意识形态，而不是移除节点并干扰 NN。