machine-learning - 较小的输入大小在迁移学习中是否会更快收敛,并且在寻求更好的准确性时是否可以?
问题描述
您好,我正在尝试将迁移学习与 Xception 一起使用,我有一个问题。当我这样做时:
xception=Xception(input_shape = (IMAGE_WIDTH, IMAGE_HEIGHT, IMAGE_CHANNELS, include_top=False, weights='imagenet')
IMAGE_WIDTH=192 IMAGE_HEIGHT=256 IMAGE_CHANNELS=3
每个 epoch 的时间约为 830s
当我这样做时:
xception=Xception(input_shape = (150, 150, IMAGE_CHANNELS, include_top=False, weights='imagenet')
每个 epoch 的时间约为 340s
而且我的原始图像大小是 IMAGE_WIDTH 和 IMAGE_HEIGHT
我想采用后者,因为它更快,但我想知道您的意见。将 input_shape 设置为原始大小会带来更好的结果吗?
解决方案
是的,它应该带来更好的结果。但是,这高度依赖于您的数据集和实验性。不能说它在性能方面会有什么不同,它肯定会更慢。
有一个权衡。
- 更好的结果 --> 更慢的模型
- 不太好的结果 --> 更快的模型
推荐阅读
- javascript - React ContextMenu 和 Draggable
- python - Dash Web 应用程序不起作用。错误:POST /_dash-update-component HTTP/1.1" 500 -
- cordova - cordova-res 返回错误:pngload_buffer:不可恢复状态
- mongodb - 添加到 mongodb 中的嵌套文档数组
- java - 我在使用 @AuthenticationPrincipal 的 REST api 端点中显示了不必要的参数
- excel - Excel VBA - 将数据验证应用于创建的工作表
- firebase - 如何在 redux 钩子中使用 useDispatch 调度异步函数
- python - 如何检查我的桌子的对角线是否有重复?
- javascript - 使用 http 请求在 node-red 中绘制实时数据的问题
- android - 如何仅将电话簿中的firebase中已注册的联系人打印到列表视图中