Machine learning TensorFlow：将类添加到预先训练的初始模型&；输出完整的图像层次结构

两个问题：

1） 有人知道我是否可以向预先训练好的Inception-v3模型添加新的图像类吗？例如，我想在多种国旗上训练TensorFlow，但我需要确保我仍然能够识别ImageNet层次结构中的图像。我意识到有一种方法可以消除《盗梦空间》的顶层，并在我的课堂上完全重新训练模型，但这非常有限且耗时

2） 此外，是否有方法输出包含图像接收的标记的整个层次结构？我不仅希望能够看到Inception将图像标记为什么，还希望看到ImageNet中所有更广泛的“synset”。例如，我对“动物/驯养动物/狗/贵宾犬/玩具贵宾犬”感兴趣，而不是仅仅看到输出“玩具贵宾犬”

任何响应都是非常受欢迎的。

1）输出层是softmax，这意味着它有预定义数量的神经元，每个神经元都是为一个特定的类定义的。从技术上讲，您可以执行这样的操作，即在输出层中多了一个神经元，它将代表您的新类。但是你必须对你的网络进行额外的训练，以便它更新所有的权重，以适应新的课程。坏消息-这可能需要一段时间，因为更新将影响整个网络，网络是巨大的。好消息——在预先训练好的现有网络中，这样的改变将比从零开始学习任何东西都要快

2） 你凭什么认为这种等级制度存在？对于数据的内部表示，您无法确定任何信息。当然，你可以检查每个功能中神经元的激活情况，甚至可以将它们可视化。。。但是你必须试着自己去理解这些激活意味着什么。也许你不会找到任何你期望看到的层次结构。因此，总而言之，理解ANN如何在内部表示数据绝非易事。事实上，非常困难

建议进一步阅读：

注意文档的内容-它与您的#1密切相关

以下是相关问题：

以下是一些解释：

所以，若有模型检查点，就有可能以某种方式微调模型。 以下是带有微调示例的回购链接：

可以获取类的节点名和人类可读的slug， 因此，您可以按类别手动链接节点。但这很费时

---

是的，你可以，我最近做了一件非常相似的事情，在我的案例中，是外生植物叶和健康植物叶。v3初始版本已经过培训，您将要做的是迁移学习。迁移学习是一种技术，它通过为一组类别（如ImageNet）建立一个经过充分训练的模型，并从现有权重中重新训练新类别，从而简化了大量这方面的工作

链接：

---

视频来源：，Hvass实验室有一些很棒的视频资源来纠正您的问题。

您提供的tensorflow再培训指南只是关于转移学习，它不满足问题的需要-在不删除原有课程的情况下添加更多课程。