我正在使用TensorFlow图像分类构建程序。我从github获得了Tensorflow，我知道的几乎是，如何运行classify_image.py！
我想做的是可以选择以简单的方式训练该模型。例如，该模型知道"钥匙"，但我想训练它的" Housekeys"，它们具有奇特的钥匙单？我可以用某种脚本说"拍摄这20张图像并学习房子"，以便模型可以将"键"与" housekeys"区分开来？
请原谅我的新闻，并提前感谢您！
编辑：显然，该模型将其了解以前知道的所有其他类别的了解非常重要，因为能够仅识别" Housekeys"绝对没有用。
您可以执行此操作。但是，它可能需要一些调整。
我不知道您所指的脚本，但我将假设您至少有两个Python文件。一个是实际的神经网络，另一个是处理培训和评估。
您需要做的第一件事是确保神经网络可以处理新类。寻找这样的东西：
input_y = tf.placeholder(tf.float32, [None, classes], name="input_y")
很多时候，如果您看到名称的张量，则包含 x （例如input_x），他们会参考数据，培训输入。
具有 y 的张量，如上所述，通常是指标签。
上面的代码说input_y是 float32类型的张量（思考数组），可变长度（None来自[None, classes]），但具有classes的每个元素。
如果classes为3，则input_y看起来像这样：
[[0, 0, 1], [1, 0, 0], [0, 1, 0]]
同样，它看起来像这样：
[[0, 0, 1], [1, 0, 0], [0, 1, 0], [0, 1, 0], [0, 0, 1]]
尽管长度可能会有所不同，但我们必须始终具有尺寸3（classes）的元素至于含义，例如，[0, 0, 1]意味着这是第2类的标签，因为我们在索引2处有1个（寻找一个热符号）。
这一点是，具有这种输入的神经网络最多可以学习3个类。张量 x 的每个输入都将张量 y 的标签与 y 的标签相关联，可以是0、1或2热符号。
有了这样的东西，您可以学习例如"钥匙"，" Housekeys"one_answers" Carkeys"，但您将无法添加" OfficeKeys"。
因此，第一步是确保您的网络可以学习所需的标签数量。
它不必一次学习。这使我们进入了第2点：
在这里看看。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。它将具有与您保存的模型相同的"知识" （权重），但是它将开始调整它们以适合第三类。
但是，为此，您需要确保网络可以从头开始处理3个类。
希望这会有所帮助！