Keras Conv2D 输入形状

Question

我用Keras作为我的CNN模型。在那个模型中，我用图像来训练它。我的图像是256*256的形状。但是我把它训练成64*64。当我调整图像大小为64*64并再次训练时，我的准确率急剧下降。我错过了什么？在

当我将卷积2D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，我将卷积2d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。在

当我将输入图像的大小调整为64*64并使用卷积2d训练为

^{pr2}$

我的准确率下降了。有什么问题吗？在

这是密码

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，它似乎至少错过了最后一个Dense()层来执行实际的分类。然而，将输入分辨率降低4英寸2维度将使“原始信息”输入减少16（4ˆ2），这将最终对预测精度产生负面影响。在

由于给定的信息少了很多，所以您的模型无法像以前那样准确地预测类。在

Answer 2

预处理时间： 这可能是预处理的图像。我们只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。如果我们在某些情况下不预处理数据，那么算法可能需要时间来处理较大的值（而不是预处理的数据）。在

1. 当我们训练模型的资源较少时，我们将对数据进行预处理
2. 我们对数据进行预处理，因为它们在我们的数据中都是非常大和非常小的值。然后我们对它进行标准化并在一定范围内得到我们的数据。像（0,1）
3. 它们还有许多其他原因需要进行预处理。在

但我们并不是对每一个数据都进行预处理。您首先了解数据的性质，然后再对其进行预处理。在

您的解决方案： 现在，通过调整图像大小来预处理数据。通过将图像从（256256）转换为（（64，64）），现在当您有大尺寸图像时，它们在图像中的像素值更多，每个像素都会给我们提供一些信息。现在，当你调整图像大小时，你的像素就少了，所以你的模型可以用来分类的信息就少了。但当你不调整数据大小时，你的机器需要时间来处理你的图像。现在，通过实验找到一些中间的方法，你选择的尺寸可以为你的模型提供足够的信息，而机器处理这些信息的努力就会减少。试试（180*180） （164*164）继续往下走，直到数据显示达到要求的精度。在