Machine learning 使用数据集训练模型

我有一个模型，需要用我每天获取的真实数据进行训练。每3到4天，我就可以准备大约500张图片用于训练。所以，我必须在得到500张图片后开始训练和检查模型。同时，我将获得另外500张图像，以此类推。是否可以使用前500个数据集进行训练，并保存模型权重，然后使用保存的权重继续使用最新的500个数据集进行训练？

这基本上类似于转移学习。您可以使用预先训练好的模型，并根据新数据对其进行微调。您必须保存模型及其重量，然后将其重新加载，并像平常一样使用新数据进行训练。这是一种常见的实践。

你有两种选择-有效地参与转移学习（如上所述），或者，如果你真的相信旧数据+新数据=最好的数据集让你训练，考虑从头开始对完整的数据集（旧数据+新数据）进行再培训。后者给予所有数据，新的和旧的，同样公平的震动，这不一定是真实的迁移学习。尽管我不得不质疑你是否需要每3或4天做一次——如果你的问题得到了很好的解决，并且你的模型设计也很好，那么在某个时候，你应该有足够的数据，使根据这些数据训练的模型能够很好地概括，不断地提供更多的数据将不再显著提高性能。此外，如果模型在2000张图片上的表现要比在500张图片上的表现好得多，为什么不多等几周，直到你有了2000张图片，然后再发布到现实世界中呢？显然，这取决于你的任务和行业领域，所以你可能有一个我不知道的很好的理由，但这是值得考虑的