訓練 CNN 的數據類型偏好？
[英]Data type preference for training CNN?
問題描述
在得知標准化和規范化應該提高學習速度和准確性之前，我最初使用的是 0-255 范圍內的 int8 類型的輸入數據。 我嘗試了兩種方法，無論有無均值為零，但相對於 0-255、int8 方法，這些方法都沒有提高我的模型的學習速度或准確性。 我只是想知道，與 int8 相比，使用 float64 進行訓練的速度是否會有所不同，或者值中存在的小數位數是否對訓練速度有任何影響。 謝謝 ：）
1 個解決方案
解決方案1
0 已采納 2022-05-16 02:46:01
在訓練之前，您應該始終對圖像進行標准化/標准化。 有很多關於這個主題的帖子。 這里有幾個
用 INT 訓練比 FLOAT 快； 但是不建議這樣做，因為准確性普遍下降。 一旦你有一個完整的訓練模型，你可以將你的模型從 FLOAT 量化到 INT。
Pytorch CNN 訓練中的“RuntimeError: expected scalar type Double but found Float”
[英]“RuntimeError: expected scalar type Double but found Float” in Pytorch CNN training
鏡像包含錨定數據的CNN訓練圖像有哪些缺點？
[英]What are the disadvantages of mirroring CNN training images that contain anchored data?
如何將Keras順序CNN的訓練數據轉換為正確的張量形狀？
[英]How to get training data for Keras Sequential CNN into the correct tensor shape?
在 CNN model 中使用通道均值和標准差對訓練數據進行歸一化
[英]normalize training data with channel means and standard deviation in CNN model
使用keras構建CNN模型，以進行不均勻的訓練和測試圖像文件夾數據
[英]Build CNN model with keras for uneven training and testing data of folders of images
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.
相關問題
用 CNN 訓練海量數據
如何為 CNN 提供 label 訓練數據？
使用 CNN 進行語義分割的訓練數據維度
Pytorch CNN 訓練中的“RuntimeError: expected scalar type Double but found Float”
鏡像包含錨定數據的CNN訓練圖像有哪些缺點？
在訓練數據中整理圖片以訓練CNN（alexnet）
如何將Keras順序CNN的訓練數據轉換為正確的張量形狀？
在自己的數據集上訓練MXNet Faster R-CNN
在 CNN model 中使用通道均值和標准差對訓練數據進行歸一化
使用keras構建CNN模型，以進行不均勻的訓練和測試圖像文件夾數據
相關標簽