我有一个关于机器学习的软件过程/架构设置的概念性问题。我有一个网络应用程序，我正在尝试合并一些机器学习算法，像Facebook的面部识别（除了一般的对象）。因此，模型可以更好地分类上传到我的服务中的特定图像（例如fb如何对特定人员进行分类等）。
粗略的轮廓是：
event: User uploads image; image attempts to be classified
if failure: draw a bounding box on object in image; return image
interaction: user tags object in box; send image back to server with tag
????: somehow this new image/label pair will fine tune the image classifier
我需要最后一步的帮助。通常，在转移学习或一般的培训中，程序员拥有一个充满图像的大型数据库。在我的情况下，我有一个预训练模型（谷歌的初始-v3），但我的微调数据库不存在，直到用户开始上传内容。
那么如何使用该标记方法来构建专门的数据库呢？我确定FB遇到了这个问题并解决了它，但我可以找到他们的解决方案。经过一番思考（以及不确定的研究），我能想到的唯一策略是：
A) stockpile tagged images and do a big batch train
B) somehow incrementally input a few tagged images as they get
uploaded, and slowly over days/weeks, specialize the image classifier.
理想情况下，我想避免使用选项A，但我不确定B是多么逼真，也不确定是否有其他方法可以完成此任务。谢谢！
答案 0 :(得分：2)
是的，这听起来像是online learning的典型例子。
特别是对于深度网络，给定一些新数据，例如，可以在其上运行几次随机梯度下降迭代。如果需要的话，调整学习率可能是一个好主意（这样可以调整给定样本的重要性，具体取决于一个人对它的信心）。 正如你所提到的，你也可以保存“迷你批次”来做到这一点（取决于你的设置）。
另外，如果您想让学习者（例如用户之间）更专业一点，请查看domain adaptation。