Question

我正在将Keras用于我的CNN模型。在那个模型中，我正在使用图像对其进行训练。我的图像形状为256 * 256。但是我将其训练为64 * 64。当我将图像尺寸调整为64 * 64并再次训练时，我的准确率急剧下降。我想念什么？

当我将Convolution2D输入形状设置为

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

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

当我将输入图像的尺寸调整为64 * 64并使用Convolution2D进行训练时

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

我的准确率降低了。有什么问题吗？

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

您的模型定义似乎并不完整，似乎至少缺少最后一个Dense()层来执行实际分类。但是，在2维中将输入分辨率降低4会使您的“原始信息”输入降低16（4ˆ2），这最终会对预测精度产生负面影响。

由于信息量少，因此逻辑上模型无法像以前一样准确地预测类。

Answer 2

何时进行预处理： 这可能是预处理的图像。我们仅在需要时预处理数据，因为在预处理数据时，我们会丢失一些信息。如果在某些情况下不对数据进行预处理，则算法可能需要一些时间来处理大值（而非预处理数据）。

我们将在资源较少的情况下对数据进行预处理
我们对数据进行预处理，因为它们在我们的数据中既很大又很小。比我们标准化它标准化它并获得我们的数据在一定范围内。像（0,1）
它们还有许多其他原因需要预处理。

但是我们不会预处理所有数据。您首先要了解数据的性质，然后进行预处理。

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，当您拥有大尺寸图像时，通过将图像从（（256,256））转换为（（64,64）），它们在图像中的像素值就更多了，每个像素都为我们提供了一些信息。现在，当您调整图像大小时，像素更少了，这就是为什么模型可用于分类的信息更少了。但是，当您不调整数据大小时，计算机会花一些时间来处理图像。现在，通过试验找到一些中间方法，即选择哪种尺寸可以为模型和机器提供足够的信息，从而可以减少处理的工作量。试试（180 * 180）（164 * 164）持续下降，直到根据数据达到所需的精度为止。

Keras Conv2D输入形状

2 个答案: