Fatal编程技术网
  • python/
  • Python Keras中不同分辨率图像的训练与验证

Python Keras中不同分辨率图像的训练与验证

python validation machine-learning neural-network keras

Python Keras中不同分辨率图像的训练与验证,python,validation,machine-learning,neural-network,keras,Python,Validation,Machine Learning,Neural Network,Keras,我正在使用Keras构建一个卷积神经网络来执行从显微图像到2D标签数据的回归（用于计数）。我正在研究在较小的微观数据块上对网络进行训练（这些数据块的大小与感受野的大小相同）。问题是，fit（）方法要求验证数据与输入数据大小相同。相反，我希望能够在整个图像（而不是补丁）上进行验证，这样我就可以在我的整个验证集上进行验证，并将结果与我迄今为止使用的其他方法进行比较 我找到的一个解决方案是在每个历元之间交替使用fit（）和evaluate（）。然而，我希望能够使用张力板观察这些结果。由于evaluat

我正在使用Keras构建一个卷积神经网络来执行从显微图像到2D标签数据的回归（用于计数）。我正在研究在较小的微观数据块上对网络进行训练（这些数据块的大小与感受野的大小相同）。问题是，
fit（）
方法要求验证数据与输入数据大小相同。相反，我希望能够在整个图像（而不是补丁）上进行验证，这样我就可以在我的整个验证集上进行验证，并将结果与我迄今为止使用的其他方法进行比较

我找到的一个解决方案是在每个历元之间交替使用
fit（）
和
evaluate（）
。然而，我希望能够使用张力板观察这些结果。由于
evaluate（）
不接受回调，因此此解决方案并不理想。有没有人有一个好方法可以在使用补丁进行培训时对全分辨率图像进行验证？

您可以使用
fit generator
而不是
fit
，并为验证集提供不同的生成器。只要网络的其余部分对图像大小不可知（例如，完全卷积层），您就应该没事。

您需要确保网络输入的形状
（无，无，3）
，这意味着您的网络接受任意大小的输入彩色图像