Machine learning 微调具有较大输入大小的模型

我想知道对输入量较大的模型进行微调是否有意义？理想情况下，我希望拥有的财产：

微调：指通过预训练重新使用重量

较大的输入大小：在输入模型之前不向下采样。也许你的步幅更大 具体地说，我正试图用我的特定标签集对Keras中的InceptionV3进行微调。我想要更大的数据量，因为我希望模型能够隐式地学习一些重要的字符。对于InceptionV3默认大小（

299x299

），我觉得这是不可能的

---

但这听起来像是我必须改变我正在使用的特定模型（比如通过修改中的特定层），然后重新使用预先训练好的权重是没有意义的？

如果你想微调分类模型，通常你会删除一些顶层，作为分类器，然后添加你自己的层。这与微调Inception_V3模型是一样的：您可以删除顶层并添加您自己的分类器，使其具有所需的单元数（即数据集中的类数）。例如：

来自keras.applications.inception\u v3导入接收v3
#假设我们的图像大小为（1000,1000,3）
inc_v3=InceptionV3（include_top=False，input_shape=（1000,1000,3），池）
#将所需图层添加到顶部
#我们只添加了一层，只是为了说明
#但您可以添加任意数量的层
输出=密集（num_类，activation='softmax'）（inc_v3.output）
#构建新模型
模型=模型（inc_v3.input，out）

但是，请注意，首先需要冻结所有基础层（即Inception_V3模型的层）以进行微调。此外，除了在顶部添加池层（即

pooling='avg'

），您还可以使用其他替代方法，例如使用

Flatten

层

---

此外，我建议您阅读相关的官方Keras教程：（第二节和第三节主要与此相关）。

谢谢您的替换。我理解用我自己的分类头替换顶层的必要性。然而，似乎要处理较大的输入大小，您只需指定较大的输入形状？比如说，不需要修改InceptionV3中的前几层（接近输入层）？这是我不确定的部分。@clwen不，不需要，因为《盗梦空间》的基础由卷积、池和批处理层组成，这些层不依赖于输入图像的宽度和高度。