Keras Conv2D 输入形状

Question

我正在将 Keras 用于我的 CNN 模型。 在那个模型中，我使用图像来训练它。 我的图像形状为 256*256。 但是我将其训练为 64*64。 当我将图像大小调整为 64*64 并再次训练时，我的准确率急剧下降。 我错过了什么？

当我将 Convolution2D 输入形状排列为

classifier.add(Convolution2D(32,3,3,input_shape = (256,256), activation ='relu'))

这需要很多时间。 因此，我将我的 Convolution2D 安排为classifier.add(Convolution2D(32,3,3,input_shape = (64,64), activation ='relu'))并训练了我的第一个模型。 它预测得很好。

当我将输入图像的大小调整为 64*64 并使用 Convolution2D 进行训练时

classifier.add(Convolution2D(32,3,3,input_shape = (64,64) 

我的准确率下降了。 问题是什么 ？

这是代码

classifier = Sequential()
classifier.add(Convolution2D(32,3,3,input_shape = (64,64,3), activation ='relu'))
classifier.add(MaxPooling2D(pool_size=(2,2)))
classifier.add(Flatten())
classifier.fit_generator(
        training_set,
        steps_per_epoch=8000,
        epochs=10,
        validation_data=test_set,
        validation_steps=800)

这是我的重塑代码

from PIL import Image
import os
path = 'TestForTrain2'
for file in os.listdir('TestForTrain2'):
    img = Image.open(os.path.join('TestForTrain2', file))
    width, height = img.size
    stringName = str(file)
    print(width," === ",height)
    print(stringName)
    f, e = os.path.splitext(path + file)
    imResize = img.resize((64, 64), Image.ANTIALIAS)
    imResize.save( stringName + '.jpg', 'JPEG', quality=90)

Answer 1

您的模型定义似乎不完整，似乎至少缺少一个最终的Dense()层来执行实际分类。 但是，在 2 维中将输入分辨率降低 4 将使您的“原始信息”输入减少 16 (4^2)，这最终会对您的预测准确性产生负面影响。

鉴于信息少得多，您的模型无法像以前那样准确地预测类别是合乎逻辑的。

Answer 2

何时预处理：这可能是预处理的图像。 我们只在需要时预处理数据，因为当我们预处理数据时，我们会丢失一些信息。 如果我们在某些情况下不预处理我们的数据，那么算法可能需要时间来处理大值（不是预处理数据）。

1. 当我们训练模型的资源较少时，我们将预处理数据
2. 我们预处理数据，因为它们在我们的数据中非常大和非常小。 比我们标准化它标准化它并在某个范围内获得我们的数据。 像 (0,1)
3. 他们还有许多其他原因也需要预处理。

但我们不会预处理每个数据。 您首先了解数据的性质，然后对其进行预处理。

您的解决方案：现在您正在通过调整图像大小来预处理数据。 现在，通过将图像从 ((256,256)) 转换为 ((64,64))，当您拥有大尺寸图像时，图像中的像素值会更多，并且每个像素都会向我们提供一些信息。 现在，当您调整图像大小时，像素较少，因此模型可用于分类的信息较少。 但是当您不调整数据大小时，您的机器需要时间来处理您的图像。 现在通过实验找到一些中间方法，即您选择的尺寸将为您的模型提供足够的信息，而机器将减少处理这些信息的工作量。 尝试 (180*180) (164 *164) 继续下降，直到根据数据达到所需的精度。