Python 重新训练Tensorflow最终层,但仍使用以前的Imagenet类
我的目标是在Tensorflow Inception附带的现有1000个Imagenet类的基础上“添加”更多的类。现在我可以通过使用Python 重新训练Tensorflow最终层,但仍使用以前的Imagenet类,python,tensorflow,deep-learning,image-recognition,imagenet,Python,Tensorflow,Deep Learning,Image Recognition,Imagenet,我的目标是在Tensorflow Inception附带的现有1000个Imagenet类的基础上“添加”更多的类。现在我可以通过使用bazel-bin/inception/imagenet_-train从头开始训练来重新运行整个过程,但这需要很长时间,尤其是每次我想添加一个新类时 是否可以使用bazel-bin/tensorflow/examples/image\u-retaining/retain--image\u-dir~/flower\u-photos,然后添加到现有的标签输出文件中 对
bazel-bin/inception/imagenet_-train
从头开始训练来重新运行整个过程,但这需要很长时间,尤其是每次我想添加一个新类时
是否可以使用bazel-bin/tensorflow/examples/image\u-retaining/retain--image\u-dir~/flower\u-photos
,然后添加到现有的标签输出文件中
对不起,我是个新手。你可以厚颜无耻地添加第二个最后一层,也就是第二个最后一层。。。当然,这是一种黑客行为,如果你想多次执行这个过程,这是不实际的 或者,替换输出层,在此之前,手动保存该层以前的权重,然后用类似的方法重新加载整个网络,并将旧权重(也必须单独重新加载)添加到现在更大的权重矩阵中
向经过训练的分类器网络添加新类没有标准的解决方案,这不是一项简单的任务。我建议阅读及其相关工作,以获得现有方法的概述,然后选择其中一种。我想向试图回答此问题的其他人强调,您希望添加新类并保留现有类。好问题,你好。我想知道这个领域是否有新的东西?