Question

我已经构建了一个包含2个类的图像分类器，比如说＆＃39; A＆＃39;和＆＃39; B＆＃39;。我还使用model.save（）保存了这个模型。

现在，经过一段时间后，需要增加一个课程＆＃39; C＆＃39;。是否可以load_model（）然后只将一个类添加到先前保存的模型中，以便我们拥有3个类的最终模型（＆＃39; A＆＃39;，＆＃39; B＆＃39;和＆＃39; ; C＆＃39;），无需重新培训整个模型，用于课程＆＃39; A和＆＃39; B＆＃39;再次？

有人可以帮忙吗？

我试过这个：

我使用vgg16作为基础模型并弹出其最后一层，冻结权重并添加一个密集层（DL2），训练它以预测2个类。

然后我在DL2顶部添加了一个更密集的层，称DL3，冻结权重并仅使用C类训练，但现在它始终预测C类。

Answer 1

我认为您应该查看本教程： https://www.tensorflow.org/tutorials/image_retraining

简而言之：你不能采用训练有素的模型，并添加新的类。你应该做一些额外的'微调'，可能不会从头开始重新训练模型，但至少要训练分类器（以及一些额外的层）。

Answer 2

您还可以简单地更改最后一层中的输出类数量，并冻结剩余图层的权重。仅重新调整最后一层的权重。

Answer 3

只需使用迁移学习，然后创建一个新模型即可。

model = VGG16(weights='imagenet',
                  include_top=False,
                  input_shape=(150, 150, 3))

model.pop()

base_model_layers = model.output
pred = Dense(11, activation='softmax')(base_model_layers)
model = Model(inputs=model.input, outputs=pred)

# Freeze the first layers, before train it
for layer in model.layers[:-2]:
    layer.trainable = False

用新班级重新训练模型

3 个答案: