首頁(yè) 猿問(wèn) 圖片 - CNN 澄清

圖片 - CNN 澄清

Python

呼喚遠(yuǎn)方 2022-05-24 13:13:47

我想澄清一下卷積神經(jīng)網(wǎng)絡(luò)中的幾點(diǎn)，我正在使用 Keras 在 CNN 中實(shí)現(xiàn)圖像識(shí)別。1 - 減小圖像的大小可以幫助模型更快地學(xué)習(xí)。我讀了一些博客，它們將圖像大小從 (150,150) 減小到 (32,32) 。2 - 增加編號(hào)。層和節(jié)點(diǎn)的數(shù)量是否有助于提高準(zhǔn)確性。我開(kāi)始在一個(gè) CNN 層訓(xùn)練模型。但是準(zhǔn)確率很低。然后我再添加兩個(gè) CNN 層，它給出了大約 74 的高精度。之后，我再添加一個(gè)層，它在 70 秒的相同范圍內(nèi)給出了準(zhǔn)確度。3 - 有沒(méi)有辦法使用 keras 在 CNN 中的每一層之后查看圖像。這將有助于研究 CNN 中的圖像。謝謝

查看完整描述

2 回答

函數(shù)式編程

TA貢獻(xiàn)1807條經(jīng)驗(yàn) 獲得超9個(gè)贊

以下是我對(duì)您的問(wèn)題的意見(jiàn)：

1）在理想的世界中，您應(yīng)該能夠使用適合您需要的大小的相機(jī)拍攝任何東西的照片/視頻。然而，這種方法并不實(shí)用，盡管可以產(chǎn)生相當(dāng)好的性能。實(shí)際上，您提供的無(wú)噪音功能越多，您的神經(jīng)網(wǎng)絡(luò)就越準(zhǔn)確。但是，您將在哪里使用具有如此大相機(jī)的網(wǎng)絡(luò)作為其輸入生成器？出于所有實(shí)際目的，您使用帶有不大于網(wǎng)球大小的鏡頭的相機(jī)。同時(shí)，訓(xùn)練尺寸大于 64x64 像素的圖像非常昂貴。你幾乎買不起帶有任何下降神經(jīng)網(wǎng)絡(luò)的單個(gè) GPU 的批次 2。同時(shí)，這會(huì)增加培訓(xùn)時(shí)間，您最終可能要等待幾天才能完成。

2）更多的層不會(huì)產(chǎn)生更好的結(jié)果，還有其他方法可以實(shí)現(xiàn)。這樣做的一個(gè)問(wèn)題是，您擁有的層數(shù)越多，您就會(huì)面臨梯度爆炸或消失的問(wèn)題。還要確保你正在規(guī)范你的數(shù)據(jù)，提供足夠的訓(xùn)練數(shù)據(jù)，并且它的分布類似于有效/測(cè)試集分布。如您所見(jiàn)，神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性有很多方面，而這些只是其中的一部分。

3）是的，你可以做到。徹底寫完需要一些時(shí)間，所以我給你留下了一個(gè)來(lái)自媒體的鏈接。它更詳細(xì)，并具有您需要的內(nèi)容：

https://towardsdatascience.com/visualizing-intermediate-activation-in-convolutional-neural-networks-with-keras-260b36d60d0

反對(duì) 回復(fù) 2022-05-24

Qyouu

TA貢獻(xiàn)1786條經(jīng)驗(yàn) 獲得超11個(gè)贊

讓我嘗試回答您的疑問(wèn)。

減小圖像大小有助于模型更快地學(xué)習(xí)并減少內(nèi)存需求。150 X 150 像素在單層神經(jīng)網(wǎng)絡(luò)中需要更多節(jié)點(diǎn)，因此需要更多內(nèi)存。我不確定 Squashing 與 Center Cropping 的準(zhǔn)確性統(tǒng)計(jì)數(shù)據(jù)。
節(jié)點(diǎn)數(shù)量的增加可能與準(zhǔn)確性的提高沒(méi)有直接關(guān)系。在許多情況下，Bagging 和 Boosting 可以比增加層數(shù)更好地提高準(zhǔn)確性。輟學(xué)是深度神經(jīng)網(wǎng)絡(luò)中的一個(gè)問(wèn)題，但適當(dāng)?shù)臄?shù)據(jù)歸一化以及適當(dāng)?shù)募せ詈瘮?shù)和足夠的訓(xùn)練數(shù)據(jù)應(yīng)該有助于提高多層的準(zhǔn)確性。
簡(jiǎn)短的回答是肯定的。您可以通過(guò)在必須定義自己的神經(jīng)網(wǎng)絡(luò)的每一層的末尾將特征向量重塑為原始圖像形狀來(lái)做到這一點(diǎn)。

反對(duì) 回復(fù) 2022-05-24