在研究了一些关于神经网络识别的学术论文之后，加上我自己尝试了其中的一些，我确实理解了如何训练一个网络，根据输入在一组定义的输出神经元上给你一个特定的输出。
但是我很难理解，如何动态添加输出神经元。我见过神经网络应用程序，它可以从图像中识别对象，但是它们要识别的类集总是可以增加的。据我了解，这应该是不可能的，因为输出神经元的大小是固定的。
假设我想构建一个应用程序，用户可以在其中制作照片，将其上传到数据库并在后续用于图像识别。我只看到两种可能的解决方案：
再培训
每次添加新图像时重新训练整个神经网络。然而，培训非常昂贵，这将需要大量资源，因此用户可以添加他们所有的对象。
“死”输出
如https://datascience.stackexchange.com/a/9551/18744中所建议
我们可以向输出层添加很多神经元，这些神经元总是训练为 0，除非我们需要更多的输出。一旦出现新对象，我们就开始训练新的输出。但是我相信这种程序的性能会在识别方面受到影响，因为我们忽略了诸如随机化之类的重要训练特征。