SageMaker增量训练：能否修改num_classes超参数以新增类别？

你遇到的这个问题确实是SageMaker内置图像分类算法的一个限制——它的增量训练模式要求num_classes参数必须和原始模型完全一致，因为内置算法的网络输出层维度是固定的，没办法直接在增量训练中新增输出节点来支持新类别。不过不用完全从头训练，有几种可行的方法来实现保留原有模型特征+新增类别的需求：

1. 导出原模型权重，用自定义脚本修改输出层后微调 #

这是最常用的方案，核心思路是把SageMaker训练好的原模型导出，然后用PyTorch/TensorFlow等框架加载预训练权重，替换最后一层分类头为新的类别数（7类），再冻结前面的特征提取层，只训练新的分类层（或部分上层网络）。

具体步骤： #

• 导出原模型：从SageMaker模型存储位置（S3）下载训练好的模型权重文件（比如内置图像分类算法的模型是.model格式，需要转换成框架兼容的格式，或者直接用框架加载）。
• 修改网络结构：以PyTorch为例，加载原模型后替换最后全连接层：

  import torch
  from torchvision import models
  
  # 加载原模型（假设原模型是ResNet50，num_classes=4）
  model = models.resnet50()
  # 获取原全连接层的输入特征数
  in_features = model.fc.in_features
  # 替换为新的全连接层，输出7类
  model.fc = torch.nn.Linear(in_features, 7)
  
  # 冻结特征提取层，只训练新的分类层
  for param in model.parameters():
      param.requires_grad = False
  for param in model.fc.parameters():
      param.requires_grad = True
  

• 用SageMaker自定义容器训练：把修改后的脚本和权重打包，用SageMaker的PyTorch/TensorFlow容器启动训练，只更新新的分类层权重，这样既保留了原模型的特征提取能力，又能快速适配新类别。

2. 利用SageMaker迁移学习工具链 #

如果不想自己写太多自定义代码，可以用SageMaker的Hugging Face容器或者内置的迁移学习工具，直接基于原模型的特征提取部分，重新训练一个新的分类头。这种方式同样不需要从头训练整个模型，只针对新增的类别和原有类别的补充数据训练上层。

关于你提到的官方Notebook #

你参考的那个增量训练Notebook用的是SageMaker内置图像分类算法，它的增量训练逻辑是固定的：仅更新现有类别的权重，不允许修改网络结构（包括num_classes）。所以如果用这个内置算法，确实没办法新增类别，只能保持原有类别数做数据补充。

总结一下：如果要新增类别，不能用内置算法的增量训练模式，必须通过自定义脚本修改模型输出层，基于原模型的预训练权重做微调，这样既不用从头训练，又能实现新增类别的需求。

内容的提问来源于stack exchange，提问作者Patrick Walsh