Python 使用自动编码器的图像彩色化-最大压缩点

我正在为自动编码器建立一个模型。我在实验室颜色空间中有一个图像数据集（256x256）

但我不知道，什么是正确的最大压缩点。我发现了一个例子，当我有176 x 176 x 1（~30976），那么点是22 x 22 x 512（~247808）

但这是如何计算的呢

我的模型：

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', padding='same', input_shape=(256, 256, 1)))
model.add(MaxPooling2D((2,2)))
model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))
model.add(MaxPooling2D((2,2)))
model.add(Conv2D(128, (3,3), activation='relu', padding='same'))
model.add(MaxPooling2D((2,2)))
model.add(Conv2D(256, (3,3), activation='relu', padding='same'))
model.add(MaxPooling2D((2,2)))
model.add(Conv2D(512, (3,3), activation='relu', padding='same'))

#Decoder
model.add(Conv2D(256, (3,3), activation='relu', padding='same'))
model.add(UpSampling2D((2, 2)))
model.add(Conv2D(128, (3,3), activation='relu', padding='same'))
model.add(UpSampling2D((2, 2)))
model.add(Conv2D(64, (3,3), activation='relu', padding='same'))
model.add(UpSampling2D((2, 2)))
model.add(Conv2D(2, (3, 3), activation='tanh', padding='same'))
model.add(UpSampling2D((2, 2)))
model.compile(optimizer='adam', loss='mse' , metrics=['accuracy'])
model.summary()

---

计算出网络的这些方面比数学更具艺术性。因此，如果不正确地分析数据，我们就无法定义一个恒定的压缩点，这就是为什么首先使用神经网络的原因

然而，我们可以直观地思考每一层发生了什么。例如，在图像着色问题中，最好不要使用太多的池层，因为这样会丢弃大量信息。大小为2x2、跨步为2的最大池层丢弃75%的输入数据。这在分类中非常有用，可以消除不可能的类。类似地，ReLU丢弃所有负面数据，可能不是解决当前问题的最佳函数选择

以下是一些可能有助于解决您具体问题的提示：

减少池层的数量。在合并之前，尝试增加可训练层的数量，以便模型（直观地）学会聚合重要信息以避免合并

将激活更改为

elu

，

LeakyReLU

等，不会消除负值，尤其是因为输出也需要负值

也许可以尝试双线性或双三次上采样来保持结构？我还建议大家看看所谓的“魔法”内核。就我个人而言，我用它取得了很好的效果，尽管高效地实施它需要时间

如果您有足够的GPU空间，请增加通道数。这一点没有太多的考虑，除非在某些情况下过度拟合。

最好使用

Conv2D

层作为最后一层，以补偿上采样时的伪影

请记住，这些要点适用于一般用例。研究论文中的模型是另一种情况，并不像您的体系结构那么简单。所有这些要点可能适用于也可能不适用于特定的纸张