我正在使用 tensorflow 图像分类构建一个程序。我从github得到了tensorflow，我知道的差不多就是classify_image.py怎么运行！
我想要做的是选择以简单的方式训练模型。例如，该模型知道“钥匙”，但我想训练它用于具有花哨钥匙扣或其他东西的“HouseKeys”。是否有某种脚本可以用来说“拍摄这 20 张图像并学习 HouseKeys”，以便模型可以区分“keys”和“HouseKeys”？
请原谅我的菜鸟，提前谢谢你！
编辑：显然，模型保留它之前知道的所有其他类别的知识非常重要，因为只能识别“HouseKeys”是绝对没用的。
【问题讨论】：
标签： tensorflow
你可以这样做。但是，它可能需要一些调整。
我不确切知道您所指的脚本，但我假设您至少有两个 python 文件。一个是实际的神经网络，另一个负责训练和评估。
您需要做的第一件事是确保神经网络能够处理新类。寻找这样的东西：
input_y = tf.placeholder(tf.float32, [None, classes], name="input_y")
很多时候，如果您看到名称中包含 x（例如input_x）的张量，它们指的是数据，即训练输入。
名称中包含 y 的张量，如上面的示例，通常指的是标签。
上面的代码说input_y 是一个张量（暂时认为是数组），类型为float32，长度可变（None 来自[None, classes]），但每个元素的维度为classes。
如果 classes 是 3，input_y 可能如下所示：
[[0, 0, 1], [1, 0, 0], [0, 1, 0]]
同样，它可能看起来像这样：
[[0, 0, 1], [1, 0, 0], [0, 1, 0], [0, 1, 0], [0, 0, 1]]
虽然长度可以变化，但我们必须始终将大小为 3 的元素作为元素 (classes)
至于含义，例如[0, 0, 1] 表示这是第 2 类的标签，因为我们在索引 2 处有 1（查找一个热门符号）。
关键是，具有这种输入的神经网络最多可以学习 3 个类别。张量 x 的每个输入都关联了张量 y 的标签，而 y 的标签可以是 0、1 或 2 合一热门符号。
有了这样的东西，你可以学习例如“keys”、“HouseKeys”和“CarKeys”，但你将无法添加“OfficeKeys”。
因此，第一步是确保您的网络可以学习到您想要的最大标签数。
不必一次全部学习。这将我们带到第 2 点：
看看here。这是 Tensorflow Saver 类的文档。这将允许您保存和加载模型。
对于您的问题，这转化为在 2 类数据集上训练模型、保存它、生成 3 类数据集、加载先前保存的模型并在新数据集上进行训练。它将与您保存的模型具有相同的“知识”（权重），但它会开始调整它们以适应第三类。
但为此，您需要确保网络从一开始就可以处理 3 个类。
希望这会有所帮助！
【讨论】：