问我的神经网络每天都有新的数据，我想要传输(？)学习

EN

所以，我相信你要问的问题是如何在一天的数据价值上重新训练模型，而不是对所有180天的数据进行培训。

这显然是合理的，你已经看到了过度拟合，这可能是由于模型的复杂性(相关的网络深度)。

因此，改变模型的体系结构以适应这个分类任务肯定是一个好主意。为此，在不了解您的模型架构的情况下，我将查看总体深度(即神经网络中的层数)。

为了澄清，LSTM(类似于RNNs 递归神经网络)通常用于作为数据x_i \in \textbf{x}的顺序数据，其中0 < i < N (N是按顺序排列的数据示例数)在模型中被顺序地馈送到每个时间步骤的i或输入序列中的后面的输出。

我头脑中的一个建议是，由于RNN只是一个普通的具有重复隐藏层的NN，所以我们可以使用传输学习(您已经说过了)。

传递学习的本质是，当我们对一个模型进行预处理时，通常会对大量(泛型)数据进行预处理，然后我们采用这个预先训练过的模型，并修改网络体系结构的输出部分，以适应分类任务(在您的情况下，添加一个softmax层来输出在这两个类上的概率分布)。然后，我们用不同的数据(在您的例子中，您的单个一天的数据值)来训练这个修改过的模型。

为了防止模型失去泛化性能，我们通常会在预先训练过的模型的隐藏层中冻结参数更新，并且只允许模型的修改部分更新它们的参数。这还具有减少训练模型所需时间的额外好处。

所以，这就是我的建议，首先用180天的数据对你的模型进行预训练，然后修改你训练过的模型以适应这个任务，分类为一天的价值，训练模型，但只更新模型修改后的部分中的参数。