我正在编写一个简单的神经网络，但我想到了一个困扰我的问题。 此NN用于在输入中查找类别。为了更好地理解这一点，请说类别是＆＃34;数字＆＃34; （0,1,2 ...... 9）。
为实现此目的，输出层为10个节点。假设我用几个输入 - 输出对训练这个NN并将学到的权重保存在某个地方。由于学习过程需要花费很多时间，所以我会休息一下。第二天来新鲜，重新开始学习新的输入 - 输出对。如此公平，所以goo
但是如果在那个时候，我决定我想要识别十六进制（0,1，... 9，A，B ,,, E，F）......那么类别正在增加。
我怀疑这会暗示改变NN 的结构，因此我应该从头开始重新训练 NN。
这是这样吗？非常感谢任何评论，建议或您的经验分享
编辑：此问题已标记为重复。我读了另一个问题虽然相似，但我的问题更具体。虽然另一个问题具有普遍性，但答案也很普遍 - 我使用的例子非常具体：
如果我训练NN识别十进制数字，然后决定添加数据以使其识别十六进制数，那么这可能吗？怎么样？我是否需要重新训练整个NN？换句话说，自从开始以来，NN的结构是否需要保持静止，具有10 OR 16输出？
我非常感谢您对此的具体回答。感谢
答案 0 :(得分：1)
您的训练集和测试集应具有相同的分布
除非您有某种方法指定样本权重，例如某些算法，否则您应该不惜一切代价避免对有偏差的数据进行培训。对于机器学习而言，这不仅适用于神经网络。
从前一个会话恢复培训相当于使用良好的初始值
从技术上讲，您只是使用以前的网络作为初始值而不是随机值。您应该一如既往地在整个数据集中进行培训，以避免出现偏见的网络。
是的，如果通过重新训练，你应该总是重新训练你的网络，你的意思是用完整的数据集进行训练。
如果你只是意味着重新训练做了很长的训练迭代，那么无论如何都不是你的选择。您必须始终训练网络，直到训练错误和测试错误（或交叉验证错误）收敛为止。如果您重复使用以前训练过的网络，那么可能会更快。
你知道，不管是什么样的模式改变都是如此。如果您更改网络体系结构或数据集，或两者（您的示例）或其他一些参数。
当然，如果您更改网络架构，则在重用以前的网络时会遇到一些麻烦。您可以从保留的节点重用已学习的参数，并随机初始化新节点的参数。