首先，我假设您已经调整了超参数。因为，与其重新训练需要更多时间的网络（使用先前训练过程产生的权重），我将更多地投资于可用网络的超参数调整。

那么，有几种方法和注意事项：

• 您可以使用第一个网络产生的权重作为下一个训练过程的初始值。但是如果你为你的超参数使用“初始”值（例如高学习率），网络将面临同样的数据/问题，那么我担心它会导致过度拟合。因为它只是您的架构中的“没有任何变化”。

• 如果您之前没有在训练过程中使用自适应学习（例如 Adadelta、Adam），您可以使用较小的学习率重新训练您的网络。因此，您的模型可以找到更好的结果。

• 或者，您可以使用selffer网络的概念，使用之前训练过程中某些层的权重（您可以冻结或不冻结）并随机初始化其他层。然后，使用超参数的“初始”值训练网络

您可以阅读有关迁移学习概念（或selffer网络）的更多信息，以获得最适合您的案例的方法。还有一篇关于“CNN 上的增量训练”的论文，我认为它与selffer网络类似，但有一些修改。

希望能帮助到你