tutorial redes neuronales neuronal imagenes ejemplos convolucionales convolucional clasificar clasificador basicos tensorflow keras conv-neural-network

redes - tensorflow tutorial



El entrenamiento de una red neuronal completamente convolucional con entradas de tamaño variable lleva demasiado tiempo en Keras/TensorFlow (0)

Estoy tratando de implementar un FCNN para la clasificación de imágenes que pueda aceptar entradas de tamaño variable. El modelo está construido en Keras con el backend TensorFlow.

Considere el siguiente ejemplo de juguete:

model = Sequential() # width and height are None because we want to process images of variable size # nb_channels is either 1 (grayscale) or 3 (rgb) model.add(Convolution2D(32, 3, 3, input_shape=(nb_channels, None, None), border_mode=''same'')) model.add(Activation(''relu'')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Convolution2D(32, 3, 3, border_mode=''same'')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Convolution2D(16, 1, 1)) model.add(Activation(''relu'')) model.add(Convolution2D(8, 1, 1)) model.add(Activation(''relu'')) # reduce the number of dimensions to the number of classes model.add(Convolution2D(nb_classses, 1, 1)) model.add(Activation(''relu'')) # do global pooling to yield one value per class model.add(GlobalAveragePooling2D()) model.add(Activation(''softmax''))

Este modelo funciona bien, pero me encuentro con un problema de rendimiento. El entrenamiento en imágenes de tamaño variable lleva un tiempo irracionalmente largo en comparación con el entrenamiento en las entradas de tamaño fijo. Si cambio el tamaño de todas las imágenes al tamaño máximo en el conjunto de datos, aún se necesita mucho menos tiempo para entrenar el modelo que para entrenar en la entrada de tamaño variable. Entonces, ¿ input_shape=(nb_channels, None, None) la forma correcta de especificar la entrada de tamaño variable? ¿Y hay alguna forma de mitigar este problema de rendimiento?

Actualizar

model.summary() para un modelo con 3 clases e imágenes en escala de grises:

Layer (type) Output Shape Param # Connected to ==================================================================================================== convolution2d_1 (Convolution2D) (None, 32, None, None 320 convolution2d_input_1[0][0] ____________________________________________________________________________________________________ activation_1 (Activation) (None, 32, None, None 0 convolution2d_1[0][0] ____________________________________________________________________________________________________ maxpooling2d_1 (MaxPooling2D) (None, 32, None, None 0 activation_1[0][0] ____________________________________________________________________________________________________ convolution2d_2 (Convolution2D) (None, 32, None, None 9248 maxpooling2d_1[0][0] ____________________________________________________________________________________________________ maxpooling2d_2 (MaxPooling2D) (None, 32, None, None 0 convolution2d_2[0][0] ____________________________________________________________________________________________________ convolution2d_3 (Convolution2D) (None, 16, None, None 528 maxpooling2d_2[0][0] ____________________________________________________________________________________________________ activation_2 (Activation) (None, 16, None, None 0 convolution2d_3[0][0] ____________________________________________________________________________________________________ convolution2d_4 (Convolution2D) (None, 8, None, None) 136 activation_2[0][0] ____________________________________________________________________________________________________ activation_3 (Activation) (None, 8, None, None) 0 convolution2d_4[0][0] ____________________________________________________________________________________________________ convolution2d_5 (Convolution2D) (None, 3, None, None) 27 activation_3[0][0] ____________________________________________________________________________________________________ activation_4 (Activation) (None, 3, None, None) 0 convolution2d_5[0][0] ____________________________________________________________________________________________________ globalaveragepooling2d_1 (Global (None, 3) 0 activation_4[0][0] ____________________________________________________________________________________________________ activation_5 (Activation) (None, 3) 0 globalaveragepooling2d_1[0][0] ==================================================================================================== Total params: 10,259 Trainable params: 10,259 Non-trainable params: 0