这个想法我以前也想过，相信很多小伙伴也这么想过。实际上，这个想法理论上可行，但效果恐怕不会太好。如果只是固定全连接层，而前面的卷积层参数发生了变化，那么这些全连接层的作用也无法保证与开始一样。而如果保持整个网络的参数都不变，只训练全连接层的新增两个类别，也比较难训练处理想的结果。
一般来说，如果实际使用中确实需要原有的 100 个类别依然很准确，那么可以将新类别的数据加入到原有训练集中，再用预训练模型进行 finetune。如果只需要 100 个类中的几个类别，那么可以把这部分的数据挑出来，和新增数据混合再 finetune。
你可以固定个别层的参数，比如resnet50的，你开放卷积层中倒数几层的，然后固定其他的，再把分类输出的个数改为新增后总的类别数，就可以了
可以试试
一般来说，如果实际使用中确实需要原有的 100 个类别依然很准确，那么可以将新类别的数据加入到原有训练集中，再用预训练模型进行 finetune。如果只需要 100 个类中的几个类别，那么可以把这部分的数据挑出来，和新增数据混合再 finetune。
你可以固定个别层的参数，比如resnet50的，你开放卷积层中倒数几层的，然后固定其他的，再把分类输出的个数改为新增后总的类别数，就可以了
可以试试