我有一个大小为n的输入的神经网络，我想将它扩展到一个输入大小为n + m且m> 1的网络。怎么样？
更多细节： 我正在训练一个分类器，它将实例的概率分布作为输入并输出二进制值。例如，假设我的数据集中的每个实例都有10个不同的标签（例如MNIST），我有所有实例的概率分布。让我们说我想将这些实例归类为好/坏。让我们说我已经在一个数据集（MNIST）上训练了一个模型，现在我想将它扩展到另一个数据集，如cifar-100，其中每个实例可以有100个不同的标签。我想设计一个模型（神经网络），可以在一个数据集上训练并在另一个数据集上训练。 例如，人们在ImageNet上训练AlexNet，并通过删除最后一层，并添加另一个不同大小的图层，在另一个数据集上对其进行微调。 当约束在输入而不是网络输出时，我怎么能做类似的事情？是否可以设计一个可变长度输入的网络？或者是否可以更改1,2层并在另一个数据集上微调网络？ [问题清楚了吗？ ：）]
答案 0 :(得分：0)
您可以使用Opencv或PIL在CIFAR-100（32x32）中调整图像大小，使其大小为MNIST（28x28），并使用Deep Belief Networks对图像进行无监督微调。