我正在使用张量流图像分类来构建程序。我从github得到了tensorflow，而我所知道的就是如何运行classify_image.py！
我想要做的是选择以简单的方式训练模型。例如，模型知道“钥匙”，但我想为“HouseKeys”训练它，它有一个奇特的钥匙扣或什么的。是否有某种脚本可以用来说“拍摄这20张图像并学习HouseKeys”，这样模型可以将“键”与“HouseKeys”区分开来？
原谅我的nooblines，并提前感谢你！
编辑：显然，模型保持对之前所知的所有其他类别的了解是非常重要的，因为只能识别“HouseKeys”绝对没用。
答案 0 :(得分：1)
你可以这样做。但是，它可能需要进行一些调整。
我不确切地知道您所指的脚本，但我假设您至少有两个python文件。一个是实际的神经网络，另一个是处理培训和评估。
您需要做的第一件事是确保神经网络可以处理新类。寻找这样的东西：
input_y = tf.placeholder(tf.float32, [None, classes], name="input_y")
很多时候，如果你看到张量的名字包含 x （例如input_x），他们会引用数据，即训练输入。
名称中包含 y 的张量，如上例所示，通常会引用标签。
上面的代码显示input_y是float32类型的张量（目前认为数组），可变长度（None来自[None, classes]）但是每个元素都有维度classes。
如果classes为3，input_y可能如下所示：
[[0, 0, 1], [1, 0, 0], [0, 1, 0]]
同样，它看起来像这样：
[[0, 0, 1], [1, 0, 0], [0, 1, 0], [0, 1, 0], [0, 0, 1]]
虽然长度可以变化，但我们必须始终将大小为3的元素（classes）
至于含义，[0, 0, 1]例如意味着这是第2类的标签，因为我们在索引2处有1（寻找一个热符号）。
重点是，具有这种输入的神经网络最多可以学习3个类。张量 x 的每个输入都与张量 y 中的标签相关联， y 中的标签可以是0,1或2中的一个热记。
通过这样的方式，您可以学习例如＆＃34;键＆＃34;，＆＃34; HouseKeys＆＃34;和＃34; CarKeys＆＃34;但你将无法添加＆＃34; OfficeKeys＆＃34;例如。
因此，首先要确保您的网络可以了解所需的最大标签数量。
它不必一次全部学习。这将我们带到第2点：
看看here。这是Tensorflow Saver类的文档。这将允许您保存和加载模型。
对于您的问题，这转化为在2类数据集上训练模型，保存它，生成3类数据集，加载先前保存的模型并训练新数据集。它将与你保存的模型具有相同的＆＃34;知识＆＃34; （权重），但它会开始调整它们以适应第三类。
但是为此，您需要确保网络可以从一开始就处理3个类。
希望这有帮助！