输入维度/分辨率会影响卷积神经网络的性能吗？ [关闭]答案

【问题标题】：Does input dimension/resolution affect the performance of Convolutional Neural Networks? [closed]输入维度/分辨率会影响卷积神经网络的性能吗？ [关闭]
【发布时间】：2018-05-20 17:30:26
【问题描述】：

我正在构建一个图像分类器，其中有 66 个类和大约 50000 个图像，我的 pc 内存为 12 GB，我的内存不足以训练图像我的问题是图像的分辨率是否会影响图像的准确性模型我使用的是卷积神经网络。

【问题讨论】：

它可能会影响我们的视力。该模型也可能存在限制。但是您使用的批量大小是多少？尝试使用generator 和model.fit_generator()。处理大量图像时很常见。 Keras 有一些选项，例如 ImageDataGenerator：keras.io/preprocessing/image
我只是在调整大小期间将数据调整为特定分辨率，所有图像都没有调整大小，因为 ram 已满，你能告诉我什么是最小值。我可以用来训练我的模型的图像的分辨率？
尝试在线（增量）学习算法。与其一次将所有图像加载到内存中，不如使用批量大小以@DanielMöller 的身份一次将一些图像加载到内存中。您只能动态调整那些图像的大小。没有最低分辨率。

标签： image-processing deep-learning keras

【解决方案1】：

如果您最终使用具有完全连接层的卷积神经网络来获取预测概率，则输入层将具有固定大小，因此您需要将所有图像预处理到该大小以馈送到网络。

如果您有尺寸小于此尺寸的图像，则需要插入并增加尺寸至此尺寸，这样通过进一步减小图像尺寸不会影响内存。所以最小分辨率就是输入卷积层的大小。

对于您的内存问题，取决于您使用的框架，无论图像尺寸有多大，正确使用队列都应该可以解决该问题。如果 OOM 错误发生在预处理期间，请尝试减小队列大小，以便一次仅调整一小部分图像的大小以适应内存。如果 OOM 在训练期间，请尝试减小批量大小。

【讨论】：

什么是最小值。我可以用来训练我的模型的图像的分辨率？