画像分類　新たなクラスのみの学習

ptyhonではじめて画像分類のプログラムを以下のサイトを参考に書きました。
<Deep Learningで犬・猫を分類してみよう-ai_academy-https://aiacademy.jp/texts/show/?id=164>

　認識できるクラスが無ければ新たにクラスを追加し、もう一度学習を行うことができるように変えてみました。
しかし、この場合もう一度学習を行う際も一度目の学習と同じようにかなりの時間がかかります。追加したクラスだけを学習させ、学習時間の短縮を行うことは可能でしょうか。ご教授いただければ幸いです。

python
from h5py._hl.files import File
import numpy as np
from keras.models import load_model
from PIL import Image
from matplotlib import pyplot as plt
import pickle
from icrawler.builtin import BingImageCrawler
import shutil

imsize = (64, 64)
with open('classes',mode='rb')as f:
    classes=pickle.load(f)


while True:
 imagess=input('画像を入力してください>>')
 testpic= imagess
 keras_param = "./cnn.h5"

 def load_image(path):
     img = Image.open(path)
     img = img.convert('RGB')

     img = img.resize(imsize)
     # 画像データをnumpy配列の形式に変更
     img = np.asarray(img)
     img = img / 255.0
     return img

 model = load_model(keras_param)
 img = load_image(testpic)
 prd = model.predict(np.array([img]))
 print(prd) # 精度の表示
 prelabel = np.argmax(prd, axis=1)

 print(classes)
 answer=input('この中に該当のクラスはありますかy/n>>')
 if answer== "y" :
   for f in range(len(classes)):
     if prelabel == f:
      print(classes[f])
      answer2=input("正解ですかy/n>>")
      if answer2=="y":
          print("ok")
      elif answer2=="n":
          print(classes)
          k=input('該当のクラスを指定してください>>')
          shutil.copy(imagess, './images/'+k)
 elif answer=="n":
      name = input("新たなクラスを入力して下さい>>")
      crawler = BingImageCrawler(storage={"root_dir": name})
      crawler.crawl(keyword=name, max_num=100)
      new_path = shutil.move(name, 'images/'+name)
      import dateset
      import train

Layer
Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #
=================================================================
 conv2d (Conv2D)             (None, 64, 64, 32)        896

 activation (Activation)     (None, 64, 64, 32)        0

 conv2d_1 (Conv2D)           (None, 62, 62, 32)        9248

 activation_1 (Activation)   (None, 62, 62, 32)        0

 max_pooling2d (MaxPooling2D  (None, 31, 31, 32)       0
 )

 dropout (Dropout)           (None, 31, 31, 32)        0

 conv2d_2 (Conv2D)           (None, 31, 31, 64)        18496

 activation_2 (Activation)   (None, 31, 31, 64)        0

 conv2d_3 (Conv2D)           (None, 29, 29, 64)        36928

 activation_3 (Activation)   (None, 29, 29, 64)        0

 max_pooling2d_1 (MaxPooling  (None, 14, 14, 64)       0
 2D)

 dropout_1 (Dropout)         (None, 14, 14, 64)        0

 dense (Dense)               (None, 512)               6423040

 activation_4 (Activation)   (None, 512)               0

 dropout_2 (Dropout)         (None, 512)               0

 dense_1 (Dense)             (None, 3)                 1539

 activation_5 (Activation)   (None, 3)                 0

=================================================================
Total params: 6,490,147
Trainable params: 6,490,147
Non-trainable params: 0