我能否用一些新的特征来进一步训练一个经过训练的神经网络呢？
我想为脱机手写文档制作一个半自动的OCR软件，其中OCR试图识别单词，用户可以通过定义错误识别的字符来纠正识别器的错误。
我发现了一个类似的问题，但没有真正回答我的问题：https://stackoverflow.com/questions/13117761/encog-neuroph-save-neural-network
我的第一个方法是:我先训练一个神经网络，然后在选定的文档上运行第一个识别，然后当用户定义一些特定的字符(例如，用户在图像上选择一个字符，并说它是一个"a“字母)时，它只修改神经网络(运行时)中的权重，然后在文档上重新启动识别。是否有可能“快速训练”整个网络只有一些新的规格字符，以使原来的字符仍然可以识别？
我的第二个方法:我创建两个独立的神经网络。第一个是上面提到的普遍性，第二个是空的。在“通用”网完成识别后，我只需添加新的指定字符来训练第二个空神经网络，然后使用该神经网络重新启动识别。
回答 3
Software Engineering用户
发布于 2017-05-16 22:24:54
只要你没有做任何巩固训练的工作，就有可能。
一个神经网络开始随机称重。当你训练它的时候，权值逐渐呈现出你想要的输出值(通过反馈循环)。一旦你满意，你就停止训练。
现在，您想要添加新的东西供网络识别。很好。要么随机重新开始，要么从你现在的位置开始。很难说哪一个能更快地把你送到那里。
而且，只要你没有把神经元的数量减少到所需的最低限度，就有可能用一个新的角色来训练它。
但是，不要认为您的旧角色可以简单地从培训集中删除。经过足够的训练，他们将被遗忘。
Software Engineering用户
发布于 2017-05-17 03:27:16
虽然训练和识别有很大的不同，但从理论上讲，即使是在终端用户设备上，也可以在初始训练之后继续进行训练。然而，神经网络训练是通过消耗大量的数据集来完成的。似乎可疑的是，最终用户将能够为培训调整提供足够大的数据集，以便将NN完全更新给该用户。例如，将原始培训集的大小与最终用户在几个月内可能做的事情进行比较，这可能是数据集大小在几个数量级以上的差异。
Software Engineering用户
发布于 2017-05-17 09:43:23
有一些技术，如随机梯度下降，执行在线培训(即，您一次培训一个网络，您可以添加更多)。
您可以通过抽动超参数来使其更灵活地适应新的示例。
只要用户做了足够的修正，它最终将提高准确性。
很长一段时间，我会考虑如何改进原有的网络。一个建议是存储用户的更正，收集匿名数据并将它们添加到您的培训集中。
我不认为这在您的情况下是有用的，我将提到知识转移1，因为它可能是值得研究的。已经观察到，网络的第一层是完全相同的(例如，在图像识别中，第一层几乎总是一个Gabor滤波器或色块)。知识转移意味着取网络的前n层，随机初始化最后m层并重新训练整个网络。这可能需要更小的数据集和更少的计算能力，因此您可能能够在用户的机器上完成。
1 - http://www.evolvingai.org/files/2014-YosinskiEtAl-HowTransferableAreFeaturesInDNNs-NIPS.pdf
https://softwareengineering.stackexchange.com/questions/349110
复制相似问题
腾讯云开发者
