使用 VGG 网络微调 Cifar 数据答案

【问题标题】：Finetuning Cifar data with VGG net使用 VGG 网络微调 Cifar 数据
【发布时间】：2018-10-30 21:27:36
【问题描述】：

原始 VGG 网络接受大小为 256x256x3 的输入。为了训练 Cifar-10 数据，我是否需要将数据大小调整为 256x256x3？或者有没有其他办法？

我正在尝试使用大小为 32x32x3 的 Cifar-10 数据微调 VGG 网络。

【问题讨论】：

标签： computer-vision caffe vgg-net

【解决方案1】：

为了在 VGG 上训练 Cifar-10 数据，您必须提供大小为 256x256x3 的输入数据。各种输入层都有变换参数来处理这种图像大小调整。

但是将 32x32 图像放大到 256x256 并不是一个好方法，因为图像数据的主要部分是通过可用 32x32 图像数据的近似值创建的。所以我不建议这样做。但如果这只是为了尝试演示 VGG 微调，您可以通过设置变换参数来实现。

【讨论】：

谢谢。如果放大 32x32 图像不是一个好主意，那么我可以尝试哪些其他替代方案？

【解决方案2】：

对于较小的图像，您应该使用 VGG 的简化版本，因为 VGG-16 对于小图像来说过于复杂。

我认为这个模型更适合你的问题，而且用 gpu 训练它并不难：

model = Sequential()

model.add(Conv2D(32, (3, 3), padding='same',
                 input_shape=x_train.shape[1:]))
model.add(Activation('relu'))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Conv2D(64, (3, 3), padding='same'))
model.add(Activation('relu'))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Flatten())
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes))
model.add(Activation('softmax'))

【讨论】：