1

让我们考虑一下，我们有几张 3 种不同动物的图像，比如说狗、猫和马。然后，我们使用具有这 3 个标签的机器学习训练了我们的图像分类模型。目前，我们正在使用这个 ML 模型进行动物图像分类。

现在，每当我们有一些猫、马以及新动物老虎和狮子的新图像时，我们希望将这些新图像添加到我们的 ML 模型中，并将新动物图像添加到新标签类别中，并使用更新后的 ML 模型进行图像处理分类。因此，在当前场景中，我们有 5 类动物图像。

那么，如何优化地重新训练这样的 ML 模型呢？在这种情况下最好使用哪些技术、框架或平台？

4

1 回答 1

0

最有希望的方法是使用深度神经网络，尤其是 CNN，因为您正在处理图像，这里的想法是利用Transfer Learning，因为这将允许您通过每次重新训练几层来使您的模型适应新的分类任务添加一个新标签，而在其他方法中，每次添加新层时都必须从头开始重新训练整个模型。至于我推荐使用 PyTorch 的技术，他们有一个很棒的教程，你可以从这里开始：教程

于 2020-11-19T21:50:50.257 回答