Python 我可以用新的目标重新加载和训练Keras模型吗？

我知道，在已经训练了一个神经网络模型之后，我可以保存它，并在将来加载该模型进行再次训练。但是，如果我想将新目标纳入训练模型中，该怎么办

例如，我正在为公司的员工建立一个人脸识别模型。当新员工加入我的公司时，我是否能够用新目标加载和培训现有模型，而不必再次培训整个数据集

---

我想初始化一个keras.utils.to_分类向量，它扩展了另一个numpy.zeroes向量元素，用于将来的目标训练。我可以知道这个方法是否正确吗？

可以。例如，VGG人脸模型有2622个输出。这些输出用于查找面部嵌入。我们可以去掉它的最后几层，改变输出的数量。例如，我添加了101层，但基本模型有2622个输出。这些是新的目标，我可以开始训练了

#!pip install deepface
from deepface import DeepFace
base_model = DeepFace.build_model("VGG-Face")

second_model = Convolution2D(101, (1, 1), name='predictions')(base_model.layers[-4].output)
second_model = Flatten()(second_model)
second_model = Activation('softmax')(second_model)

from tensorflow.keras.models import Model
new_model = Model(inputs=base_model.input, outputs=second_model)

new_model.fit(train_x, train_y, epochs=5000, validation_data=(test_x, test_y))

---

你必须以某种方式避免灾难性的遗忘。有关更多信息，请参阅。您是对的。我已经测试了这个范例，我无法在没有遭遇灾难性遗忘的情况下，再次在新目标上训练加载的模型。唯一的方法是在所有目标上训练加载的模型。你有没有办法避免灾难性的遗忘？是否有任何积极的研究？您是否能够在最初的2622个目标和101个新目标上使用新训练的模型？新训练的模型现在有101个目标。你不能再为2622个目标运行它了。好吧，我就是这么想的。我对OP的问题的印象是，他们想用新数据更新模型，而不必对所有以前的数据进行训练。不确定我的解释是否正确。实际上，您可以冻结/锁定早期层权重，并使用新数据重新训练新模型。这样，您也可以获得前一个模型的结果和学习。这样，您应该使用较小的数据量重新训练新模型。