我有一个关于机器学习软件流程/架构设置的概念性问题。我有一个网络应用程序，试图整合一些类似于Facebook人脸识别的机器学习算法（但针对一般物体）。所以模型会更擅长分类上传到我服务中的特定图像（就像fb可以分类特定的人一样）。

大致轮廓如下：

事件：       用户上传图像；尝试对图像进行分类如果失败：  在图像中的物体上画一个边界框；返回图像交互：     用户标记框中的物体；将带标签的图像发送回服务器？？？？：      以某种方式使用这对新的图像/标签来微调图像分类器

我需要帮助处理最后一步。通常在迁移学习或一般训练中，程序员拥有一个充满图像的大型数据库。在我的案例中，我有一个预训练的模型（谷歌的inception-v3），但我的微调数据库在用户开始上传内容之前是不存在的。

那么，我如何使用这种标记方法来构建一个专业化的数据库呢？我相信FB也遇到了这个问题并解决了它，但我找不到他们的解决方案。经过一些思考（和不确定的研究），我能想到的唯一策略是：

A) 积累标记的图像并进行大批量训练B) 以某种方式增量输入一些上传的标记图像，并在几天/几周内逐渐专业化图像分类器。

理想情况下，我想避免选项A，但我不知道选项B是否现实，或者是否有其他方法来完成这个任务。谢谢！

回答：

是的，这听起来像是在线学习的经典例子。

特别是对于深度卷积网络，给定一些新数据，人们可以仅对其运行几次随机梯度下降。例如，可能还需要根据需要调整学习率（这样可以根据样本的重要性调整，例如，根据对其的信心）。你也可以，如你所提到的，储存“小批量”来进行这种操作（这取决于你的设置）。

此外，如果你想让你的学习器在不同用户之间进行更多专业化，可以查找领域适应。