假设一个模型M对苹果和橙子进行分类。可以M扩展到对第三类对象进行分类，例如梨，这样“再训练”的新图像只对梨进行了注释，而忽略了苹果和橙子？也就是说，既然M已经对苹果和橙子进行了分类，那么是否可以以某种方式保留旧的权重并让再训练专注于学习梨？
微调和不忘记学习等方法似乎需要对新图像中的所有对象进行注释。
扩展神经网络以对新对象进行分类
人工智能
神经网络
深度学习
卷积神经网络
2021-11-04 08:01:20
1个回答
是的，这是标准的迁移学习。使用经过训练的模型，我们可以冻结分类器的前 N 个隐藏层，除了最后几个。这将使我们之前的相关培训得以保留，同时也能够学习新功能和针对新课程。
然后，我们将初始化一个新的输出层来处理我们的新上下文（即 sigmoid，二进制分类器的 1 个节点）。现在一切都准备好恢复我们新的 y_targets 的训练。
查看此链接以获取有关迁移学习的更多信息。
如果您不想打扰您过去的学习，我建议您冻结所有以前的隐藏层，然后再添加一些额外的隐藏层。
其它你可能感兴趣的问题