Python 图像-CNN澄清

我想澄清一些关于convulionalneuralnetwork的观点，我正在使用Keras在CNN中实现图像识别

一,- 缩小图像的大小可以帮助模型更快地学习。我读过一些博客，其中他们将图像大小从（150150）减小到（32,32）

二,- 增加图层和节点的数量有助于提高精度。我开始在一个CNN层训练模型。但准确度很低。然后我添加了两个CNN层，它给出了大约74的高精度。在那之后，我再加一层，它的精确度在70度的范围内

三,- 有没有一种方法可以使用keras查看CNN中每一层的图像。 这将有助于研究CNN中的图像

---

谢谢

让我尝试回答您的问题

减小图像大小有助于模型更快地学习并减少内存需求。150 X 150像素需要在单层神经网络中有更多的节点，因此需要更多的内存。我不确定挤压和中心修剪的准确度

节点数量的增加可能与精度的提高没有直接关系。在许多情况下，装袋和增压可以比增加层数更好地提高精度。辍学是深层神经网络中的一个问题，但通过适当的数据规范化、适当的激活函数和足够的训练数据，有助于提高多层神经网络的准确性

简而言之，答案是肯定的。您可以通过在每个层的末尾将特征向量重塑为原始图像形状来实现，您必须为每个层定义自己的神经网络

---

以下是我对您的问题的看法：

1） 在一个理想的世界里，你应该能够用一个尽可能大的相机拍摄任何东西的照片/视频。然而，这种方法并不实用，尽管可以产生相当好的性能。实际上，你提供的无噪声特性越多，你的神经网络就越精确。然而，你将在哪里使用这样一个网络，用这样一个大的摄像头作为它的输入发生器？出于所有实际目的，您使用的相机的镜头大小不超过一个网球。同时，训练尺寸大于64x64像素的图像非常昂贵。你几乎买不起一批2个带有任何下降神经网络的单一GPU。同时，这将增加培训时间，您可能需要等待数天才能完成培训

2） 更多的图层不会产生更好的结果，还有其他方法可以实现这一点。一个问题是，你拥有的层越多，你就会面临爆炸或消失的梯度问题。还要确保您正在规范化数据，提供足够的训练数据，并且其分布与有效/测试集分布相似。正如你所看到的，神经网络的准确性有很多方面，这些只是一些方面

3） 是的，你能做到。这将需要一些时间来写它彻底，所以我给你留下一个链接从媒体。它更详细，并且有您需要的：

---

当您缩小图像尺寸时，您将丢失信息，当您的gpu无法运行得如此之快时，您会这样做。当您只有很少的层时，增加层将产生效果。若图层增加过多会造成渐变消失的问题。基于数据的精度限制是好是坏事实上，最好的参数几乎总是来自尝试和错误太多的层也会导致过度拟合问题。