Python 如何在深度学习中向现有分类器添加新类？

我训练了一个深度学习模型，将给定的图像分为三类。现在我想在我的模型中再添加一个类。我试图查看“在线学习”，但它似乎是针对现有课程的新数据进行培训。我是否需要在所有四个类上再次训练我的整个模型，或者是否有任何方法可以在新类上训练我的模型？

您可能已经在体系结构末尾的3个神经元密集层之后使用了softmax将模型分为3个类。添加一个类将导致在4个神经元密集层上执行softmax，因此无法在当前图中使用冻结的权重来容纳额外的神经元，基本上您是在修改图，因此您必须从头开始训练整个模型

-----或-----

---

一种方法是加载模型并移除最后一层，将其更改为4个神经元并再次训练网络！这将基本上从头开始训练最后一层的权重。我认为在添加新类时，无论如何都无法保持这些（最后一层的权重）权重不变。

您必须删除最后一个完全连接的层，冻结特征提取层中的权重，添加一个新的具有四个输出的完全连接层，并使用原始三个类和新的第四个类的图像重新训练模型

我试图查看“在线学习”，但它似乎是针对现有课程的新数据进行培训

在线学习是一个术语，用于指在训练时接受连续或连续输入数据流的模型，而离线学习（也称为批量学习），其中模型在静态预定义数据集上预训练

持续学习（也称为增量、持续、终身学习）是指在线学习环境下的ML分支，模型旨在学习新任务，同时保持历史任务的性能。它可以应用于多个问题范例（包括类增量学习，其中每个新任务为不断扩展的超级分类问题提供新的类标签）

我是否需要在所有四节课上再次训练我的整个模型，还是有任何方法可以在新课上训练我的模型

在更新的数据集上天真地重新训练模型确实是一个解决方案。寻求解决无法访问历史数据（即原始3类）的情况，或无法在越来越大的数据集上进行再培训的情况（出于效率、空间、隐私等考虑）。已经提出了使用不同底层架构的多个这样的模型，但几乎所有的示例都专门处理图像分类问题

---

相关问题：

---

现在我了解了如何更新到网络以对新类进行分类。。。我想我可以使用迁移学习，而不是从头开始训练我的模型（随机权重初始化）。谢谢你的评论。是的，你可以初始化最后一层的权重，保持前一层的权重不变。干杯