Performance TensorFlow:批量大小可变形状图像的动态尺寸(CNN)
我想知道,在输入图像可能具有不同分辨率的情况下,如何为视觉编码卷积张量流模型 一个廉价的修复方法是使用Python PIL库将它们预先调整到一个足够大的分辨率的正方形,然后将其提供给TensorFlow。但我强烈怀疑有更好的方法来做到这一点。另一种更简单的方法可能是重复使用GPU中的Performance TensorFlow:批量大小可变形状图像的动态尺寸(CNN),performance,tensorflow,convolution,Performance,Tensorflow,Convolution,我想知道,在输入图像可能具有不同分辨率的情况下,如何为视觉编码卷积张量流模型 一个廉价的修复方法是使用Python PIL库将它们预先调整到一个足够大的分辨率的正方形,然后将其提供给TensorFlow。但我强烈怀疑有更好的方法来做到这一点。另一种更简单的方法可能是重复使用GPU中的tf.image.crop\u和_resize 我想到的另一种方法是使用TensorFlow变量名称范围,在每个图像上分别生成相同的模型批大小时间,以便接受不同的输入分辨率,每个模型副本使用1的子批大小。我想知道如果
tf.image.crop\u和_resize
我想到的另一种方法是使用TensorFlow变量名称范围,在每个图像上分别生成相同的模型批大小
时间,以便接受不同的输入分辨率,每个模型副本使用1的子批大小。我想知道如果这样做,在计算时间和GPU内存大小方面是否会有性能问题
另一种方法是将图像填充到一些桶中,比如句子模型
我还可以训练批量为1的东西,而不是所有这些模型的克隆,但那肯定会非常慢
关于如何进行有什么想法吗?关于TensorFlow的表现,是否有任何有助于决策的事实?有没有现有的代码示例?非常感谢 我以为我以前做过,但也许我做了一些不同的事情。如果我弄明白了,我会发布一个新的答案,说明我是如何做到的。批量大小为1的问题是,训练需要更长的时间,但内存大小不会成为问题。举个例子,如果你看一下tensorflow模型git repo,它们有裁剪的例子和调整大小的例子。