【发布时间】：2017-12-01 01:31:38
【问题描述】：
我有一个输入大小为 n 的神经网络，我想将它扩展到一个输入大小为 n + m 且 m > 0 的网络。如何？
更多详情： 我正在训练一个分类器，它将实例的概率分布作为输入并输出一个二进制值。例如，假设我的数据集中的每个实例可以有 10 个不同的标签（例如 MNIST），我有所有实例的概率分布。假设我想将这些实例分类为好/坏。假设我已经在一个数据集 (MNIST) 上训练了一个模型，现在我想将它扩展到另一个数据集，例如 cifar-100，其中每个实例都可以有 100 个不同的标签。我想设计一个模型（神经网络），可以在一个数据集上训练并在另一个数据集上训练。 例如，人们在 ImageNet 上训练 AlexNet，然后通过删除最后一层并添加另一个不同大小的层来在另一个数据集上对其进行微调。 当约束在输入而不是网络输出时，我怎么能做类似的事情？是否可以设计一个可以具有可变长度输入的网络？或者是否可以更改 1,2 层并在另一个数据集上微调网络？ 【问题清楚了吗？ :)]
【问题讨论】：
标签： neural-network deep-learning conv-neural-network deeplearning4j