【发布时间】：2019-09-09 18:51:00
【问题描述】：
我正在尝试使用 cnn 构建图像分类器。我的图像大小为 (256,256) 像素。
如果我通过将输入形状设置为 (64,64) 或 (128,128) 来训练 cnn 会发生什么，因为 (256,256) 将花费大量时间来处理？
【问题讨论】：
标签： python keras classification conv-neural-network
【发布时间】：2019-09-09 18:51:00
【问题描述】：
它会抛出一个错误。您可以使用 cv2.resize() 调整图像大小，也可以将正确的输入形状放在 cnn 层中，然后放置一个 maxpooling 层以减少参数数量。
【讨论】：
-
不，它正在工作并显示结果，所以我很困惑，如果我们减小原始尺寸，内部会发生什么。
-
不，它没有抛出错误并且它有效。我很困惑这是否会降低准确性？
确保您的图像大小与您的Input 层所期望的大小相同。一般来说，分类架构对输入的空间维度不灵活。所以，这很重要。否则会出现形状不匹配错误。
如果您想更改模型的输入形状，可以这样做。很难确切地说它将如何影响您的分类。您可能还必须调整您的 CNN 过滤器，以使过滤器不大于您的特征图。否则可能会降低你的表现。但您可以尝试一下，看看会发生什么。
【讨论】：
-
我认为缩小的输入形状会在图像的较小部分中获取信息。是真的吗？？
-
没有。这不是它的工作原理。网络仍会查看您输入的整个图像。对于不同的输入，它可以查看不同尺度的特征。这对预测可能是好是坏，具体取决于您的问题和数据集。
-
我不知道您的数据或网络看起来如何。所以很难提出更具体的建议。当您提出问题时，请尝试在您的帖子中添加更多详细信息。