问CNN关于python和Keras的报道

EN

你想要做的就是所谓的“迁移学习”，使用学到的网络权重来解决一个新问题。

请注意，这是非常困难的，并且在许多约束下起作用，例如，使用可以检测汽车的CNN来检测卡车比使用经过训练的CNN来检测人来检测猫要简单。

在任何情况下，您都可以使用预先训练好的模型，加载权重，并继续使用新数据和示例对其进行训练。

这是否比简单地在所有需要的类上训练新模型更快，甚至更好，取决于实际的实现和问题。

Tl：博士

迁移学习很难！除非你知道你在做什么，或者有特定的原因，否则就在所有的类上训练一个新的模型。

你可以用几乎相同的架构来训练它(当然，它取决于这个架构，如果它已经很糟糕了，那么它在更多的类上也不会有用。我建议使用最先进的模型架构进行狗和猫的分类)，但除了这个第三类数据集之外，您还需要狗和猫的数据集。不幸的是，不可能使用预训练来在所有三个类别之间进行预测，只需在稍后的第三个类别上进行训练。

因此，简而言之，如果你想在这三个类别之间进行预测，你需要拥有所有三个数据集，并从头开始训练模型，否则使用预训练的，在第三个类别上训练后，它可以预测某个图像是否属于这第三个类别。

你应该通过添加更多的类别来训练new_category，它包含了之前不在2个类别中的图像。我是说

--cat_dir
  -*.jpg
--dog_dir
  -*.jpg
--not_at_all_dir
  -*.jpg

所以..。你要训练的类别总共是3个类别。

(类别或类，不管它是什么)

然后添加最终密集全连接的输出(3个类别)