我的神经网络有问题。我对它进行了一般数据的训练，效果还不错。但现在我想用新的个性化数据来改进网络。
我试着解释一下... 我的模型是一般的，我用它为一个个人X.但随着时间的推移，我将收到更多的数据从X和我想改善一般模型为X.例如每次我收到3个新的数据，我可以重新适应只有1个时代？
或者我应该使用动态聚类（如果可能的话），并把它放在网络的输入中？
我真的不知道该怎么做，需要帮助......。谢谢!
我不知道你的模型是什么样的，但一般来说，你可以用你的数据训练一个模型，然后用以下方法保存模型。model.save 它可以保存所有的数据（架构、优化器状态、权重和偏差等）。
# saving the model in tensorflow format
model.save('./MyModel_tf',save_format='tf')
当你有新的数据时，你可以用以下方法加载模型 tf.keras.model.load_model，并重新训练它更新参数。如果你的模型花费的时间不多，将新数据添加到现有的训练文件夹中会更好。你也可以使用一些数据增强来提高性能。
# loading the saved model
loaded_model = tf.keras.models.load_model('./MyModel_tf')
# retraining the model
loaded_model.fit(x_new_data, y_new_data, epochs = 10, validation_data = (x_test,y_test),verbose=1)
你可以检查 本例 用于重新训练你离开的模型。你可以更新一些超参数，然后运行重新加载的模型来提高性能。希望对你有所帮助!