Deep learning 使用在不同数据集上训练的cnn模型

我有3个不同的数据集，其中3个都是用相同的化学物质染色的血液涂片图像。血液涂片图像是采集血液的图像，包括血液中的红细胞、白细胞

第一个数据集包含两类：正常和血癌 第二个数据集包含两类：正常与血液感染 第三个数据集包含两类：正常与镰状细胞病

所以，我想做的是：当我输入一张血液涂片图像时，AI系统会告诉我它是：正常，还是血癌，还是血液感染，还是镰状细胞病（4类分类任务）

我该怎么办

我应该混合这3个数据集，只训练1个模型来检测4个类吗

或者我应该训练3种不同的模型并将它们结合起来？如果是，我应该使用什么方法进行组合

---

更新：我搜索了一会儿。这项任务能否称为“学习而不遗忘？”

这是一个多类分类问题。您可以只训练一个模型，最后一层是由4个单元组成的全连接（密集）层（即输出维度）和softmax激活功能。

我认为这取决于数据

您可以使用三种不同的模型，并对每幅图像进行三种二进制预测。所以你会得到一个投票（概率）为每x对正常。如果二元分类是准确的，这应该会产生好的结果。但在这种情况下，你会得到一个累积的错误分类或错误

如果您负担得起，您可以训练一个四类模型，并将测试错误与一系列二进制分类进行比较。我知道你们已经有三种型号了。因此，培训另一个可能不会太贵

---

如果只有一个类可以出现，那么四个类的模型可能是最好的选择。如果事实上两个（或更多）类可以同时出现，那么一系列二元分类将是有意义的。

正如@Peter所说，它完全依赖于数据。如果这4类的图像，即正常、血癌、血液感染、镰状细胞病，用肉眼很容易分辨，并且所有类别之间没有混淆的范围，那么你只需选择1个模型，给出所有4类的概率（如@maxi marufo所述）。如果类之间存在混淆，并且图像无法用肉眼区分，或者类之间存在很大的混淆范围，那么您应该使用3种不同的模型，但是您需要。您只需从所有3个模型中获得预测概率，假设p1（正常）和p1（c1）、p2（正常）和p2（c2）、p3（正常）和p3（c3）。现在，您可以对（p1（正常）、p2（正常）、p3（正常））进行平均，并对p（正常）、p1（c1）、p2（c2）、p3（c3）使用softmax。在您可以尝试的多种方法中，以上可能是一种

我明白，目前一次只能上一节课。然而，“混合4个数据集和只训练1个模型”是否有任何技术术语？不确定您的技术术语是什么意思。。。它只是一个有四个类而不是两个类的模型。在这种情况下，输出层的尺寸为4。培训etc基本相同（模型架构可能略有不同，但在其他方面没有大的变化）。还请注意，您可能会从使用预培训模型中获益，并在此基础上学习。这是一个基于预培训模型更新的Keras多类图像分类的示例：我搜索了一会儿。这项任务是否与“学习而不忘记”类似？我搜索了“拉宁而不忘记”，它是关于重新培训一名模特的。您可以通过初始化从零开始训练模型，也可以使用预训练模型。在任何情况下，您的解决方案都需要一个模型，最后一层是由4个单元和softmax激活功能组成的完整连接层。谢谢您的建议。您的混淆是什么意思？你指的是类之间的逻辑联系？我指的是混淆，不能用肉眼轻易识别类之间的差异。