Python 减少cnn的培训时间

我正在努力改进下面的cnn架构。我用cnn进行图像分类。有人能建议对下面的架构进行任何更改，以减少培训时间，同时又不会失去太多的准确性吗

关于建筑的说明：

它有一个由16个滤波器组成的卷积层，利用3,3窗口处理神经网络的初始输入

其次是最大池层2,2

接下来，是与第一层大小相同的另一个卷积层，以便保留从前一层传递的数据

在前两层之后是第三个卷积层，包括32个过滤器，因为这允许网络开始查看更多细节并为更多数据打开空间

第三层生成一个全局平均池层，然后将该层馈送到完全连接的层

第一个完全连接的隐藏层使用了64个单元，因为这是我估计的，以便在输出层之前允许一个黄油，从而给网络更多的空间来确定权重

然后是一个辍学层，以帮助防止过度拟合，最后传递到进行预测的输出层

输出层有一个softmax激活函数，允许它保持数字0,1之间的概率分布

CNN代码：

from keras.layers import Conv2D, MaxPooling2D, GlobalAveragePooling2D
from keras.layers import Dropout, Flatten, Dense
from keras.models import Sequential

model = Sequential()
model.add(Conv2D(16, (3,3), input_shape=(224,224,3), activation = 'relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Conv2D(16, (3,3), activation= 'relu'))
model.add(MaxPooling2D(pool_size =(2,2)))
model.add(Conv2D(32, (3,3), activation= 'relu'))
model.add(GlobalAveragePooling2D())
model.add(Dense(units=64, activation= 'relu'))
model.add(Dropout(0.3))
model.add(Dense(units= 133, activation = 'softmax'))
model.summary()

---

大多数训练计算都发生在第一个

Conv2D

层：

Conv2D(16, (3,3), input_shape=(224,224,3), activation = 'relu')

该层中有大小为3x3和16个滤波器的

（224-2）*（224-2）=49284

空间块，总共提供了近800k（准确地说是788544）的前向和后向传递卷积运算。这并没有考虑到你的批量大小

我建议您在第一层中使用，例如

strips=（2,2）

将使补丁数量减少4倍。此外，网络通过跨步进行下采样。这意味着您可以去掉下一个

MaxPooling2D

层，只需一个卷积层就可以获得相同的特征贴图大小

---

当然，网络会失去一些灵活性，但它不应该对准确性有太大影响。

您的图像相对较大（224x224x3），请尝试较小的尺寸，看看它对您的性能有多大影响。根据图像的不同，您也可以尝试事先将其转换为灰度。