Deep learning CNTK中的用户定义转换_Deep Learning_Cntk

Deep learning CNTK中的用户定义转换

deep-learning

Deep learning CNTK中的用户定义转换,deep-learning,cntk,Deep Learning,Cntk,问题设置我有一个带有N图像的数据集某个网络（如Alexnet）必须在该数据集上从头开始训练对于每幅图像，10将生成增强版本。这些增强包括调整大小、裁剪和翻转。例如-必须以256像素的最小尺寸调整图像大小，然后对其进行224 x 224的随机裁剪。然后它必须被翻转5必须采集这些随机作物，并且还必须准备它们的翻转版本这些增强版必须进入网络内部进行训练，而不是原始图像另外非常有益的是，数据集中的多个图像被并行地增强，并放入队列或任何容器中，从那里将batchsize数量的样本推入GPU进行

问题设置

我有一个带有
```
N
```
图像的数据集
某个网络（如Alexnet）必须在该数据集上从头开始训练
对于每幅图像，
```
10
```
将生成增强版本。这些增强包括调整大小、裁剪和翻转。例如-必须以
```
256
```
像素的最小尺寸调整图像大小，然后对其进行
```
224 x 224
```
的随机裁剪。然后它必须被翻转<代码>5必须采集这些随机作物，并且还必须准备它们的翻转版本
这些增强版必须进入网络内部进行训练，而不是原始图像
另外非常有益的是，数据集中的多个图像被并行地增强，并放入队列或任何容器中，从那里将
```
batchsize
```
数量的样本推入GPU进行训练
原因是我们不希望同一图像的多个增强版本同时进入网络进行训练

上下文

这不是一个随机的特性要求。有一些像这样的论文涉及这样的扩充。此外，这样的随机训练可以很好地改善网络的训练

我的理解

在我的搜索过程中，我在CNTK中找不到任何可以做到这一点的框架

问题

有可能在CNTK中实现吗

请看CNTK 201教程：

图像阅读器具有内置的转换功能，可满足您的许多需求。不幸的是，它不在GPU中