Machine learning 如何在TensorFlow中为预训练的Inception v3模型添加新的类别和培训？

我正试图利用一个预先训练过的模型，如Inception v3（在2012 ImageNet数据集上训练），并将其扩展到几个缺失的类别中

我用Ubuntu14.04上的CUDA从源代码构建了TensorFlow，像flowers上的迁移学习这样的例子非常有效。然而，花卉示例去掉了最后一层并删除了所有1000个现有类别，这意味着它现在可以识别5种花卉，但不能再识别熊猫

如何将这5个花卉类别添加到ImageNet现有的1000个类别中（并为这5个新的花卉类别添加培训），以便将测试图像分类为1005个类别？换句话说，你能同时辨认出那些熊猫和向日葵吗

我知道有一种选择是下载整个ImageNet培训集和flowers示例集，然后从头开始培训，但考虑到我目前的计算能力，这将需要很长时间，并且不允许我再添加100个类别

---

我的一个想法是，在对5个花卉类别进行再培训时，将参数

fine_tune

设置为

false

，这样就不会剥离最后一层：，但我不确定如何继续，也不确定这是否会产生一个包含1005个类别的有效模型。感谢您的想法。

不幸的是，您无法将类别添加到现有图表中；基本上，您必须保存一个检查点，并从该检查点开始训练该图表。

经过几年的专业深入学习和工作，下面是一个更完整的答案：

向现有模型中添加类别的最佳方法（例如，在Imagenet LSVRC 1000类数据集上培训的Inception）是在预先培训的模型上执行转移学习

如果您只是想使模型适应您自己的数据集（例如，100种不同类型的汽车），只需按照大量的转移学习在线教程（包括Tensorflow的官方教程）进行再培训/微调即可

虽然生成的模型可能具有良好的性能，但请记住教程分类器代码是高度未优化的（可能是有意的），您可以通过部署到生产环境或仅改进其代码将性能提高几倍

但是，如果您试图构建一个包含默认LSVRC数据集（1000个日常图像类别）的通用分类器，并将其扩展以包含您自己的其他类别，则需要访问现有的1000个LSVRC图像并将您自己的数据集附加到该集。您可以在线下载Imagenet数据集，但随着时间的推移，访问变得越来越不稳定。在许多情况下，这些图像也非常过时（请查看计算机或手机的图像，以便在记忆通道中进行一次旅行）

一旦你有了LSVRC数据集，执行如上所述的转移学习，但包括1000个默认类别以及你自己的图像。对于您自己的图像，通常建议每个类别至少100张合适的图像（越多越好），如果启用扭曲，您可以获得更好的结果（但这将极大地增加再培训时间，特别是如果您没有启用GPU，因为瓶颈文件无法在每次失真时重复使用；我个人认为这是非常蹩脚的，没有理由不将失真缓存为瓶颈文件，但这是另一种讨论，可以添加到您的代码管理器中。）（精神上）

使用这些方法并结合错误分析，我们已经对4000多个类别的通用分类器进行了最先进的精度培训，并将其部署在数千万张图像上。此后，我们转向专有模型设计，以克服现有模型的局限性，但转移学习是获得良好r结果甚至通过BERT和其他设计进入了自然语言处理领域

---

希望这会有所帮助。

我们如何保存一个检查点并从该检查点开始训练该图形？