如何利用遷移學(xué)習(xí)解決機器學(xué)習(xí)模型中分類數(shù)量增加的問題？我們可以做的是將舊的機器學(xué)習(xí)模型集成到新的機器學(xué)習(xí)模型中（1）添加到新的機器學(xué)習(xí)模型中（2）。為了利用原始模型的最終狀態(tài)，我們加載原始模型并將舊模

如何利用遷移學(xué)習(xí)解決機器學(xué)習(xí)模型中分類數(shù)量增加的問題？

我們可以做的是將舊的機器學(xué)習(xí)模型集成到新的機器學(xué)習(xí)模型中（1）添加到新的機器學(xué)習(xí)模型中（2）。為了利用原始模型的最終狀態(tài)，我們加載原始模型并將舊模型的權(quán)重固定為未經(jīng)訓(xùn)練的權(quán)重，然后將新模型附加到舊模型的最后一個密集層。

這意味著我們指示模型不要反向傳播原始模型的層，以便它們保持不變（不要與舊模型中學(xué)習(xí)的內(nèi)容混淆），并且只在新模型上進行訓(xùn)練。

轉(zhuǎn)移學(xué)習(xí)策略2：

我們可以嘗試執(zhí)行轉(zhuǎn)移學(xué)習(xí)的另一種方法是直接將舊模型層添加到新序列模型中。

值得注意的是，您不必在整個模型訓(xùn)練期間確定體重。研究表明，如果在批之間交替訓(xùn)練，可以更好地利用舊模型并獲得更好的性能

在可訓(xùn)練批和未訓(xùn)練批之間開發(fā)定制回調(diào)。