张量流模型可以在更高分辨率的图像上训练吗？答案

【问题标题】：Can tensorflow models be trained on images with larger resolution?张量流模型可以在更高分辨率的图像上训练吗？
【发布时间】：2020-06-03 10:14:31
【问题描述】：

在了解 Tensorflow 模型是否可以在更大的分辨率（如 4K 分辨率）上进行训练时需要帮助。我试过了，但训练没有开始，我希望是因为一些记忆问题。有人做过同样的事情吗？

【问题讨论】：

您遇到什么错误？图片的大小应该不是问题
Igna，我无法像下面 Matias 所说的那样开始训练模型，原因与太大的特征向量相同。

标签： tensorflow keras deep-learning computer-vision object-detection

【解决方案1】：

理论上你可以，TensorFlow 没有任何限制阻止你这样做。

但实际上，限制是 GPU 或系统 RAM。一个 3840x2160 (4K) 的单通道浮点特征图大约需要 32 MB RAM，通常卷积网络在每一层使用多个特征图，从 96 到 512。例如，128 个 4K 特征图需要大约 1 GB RAM，然后使用批处理进行训练并为梯度计算保留中间结果，将需要太多 RAM。

如果您查看常见 ImageNet 训练的神经网络的输入形状，尺寸通常为 224x224、256x256，对于 SSD 和 Faster R-CNN 等对象检测网络，我见过的最大尺寸为 600x600。这些尺寸与完整的 4K 图像相差甚远。

TLDR。您应该将图像缩小到可管理的大小。

【讨论】：

是的。我面临同样的问题。模型没有被初始化以进行训练。谢谢您的建议。但是，我正在处理的用例并不建议减少输入，以保留更多详细信息。