Python 二维输入形状

我正在使用Keras作为我的CNN模型。在该模型中，我使用图像对其进行训练。我的图像是256*256的形状。但是我把它训练成64*64。当我将图像调整为64*64并再次训练时，我的准确率急剧下降。我错过了什么

当我将卷积2D输入形状排列为

classifier.add(Convolution2D(32,3,3,input_shape = (256,256), activation ='relu'))

这需要很多时间。因此，我将卷积2D安排为

classifier.add（卷积2D（32,3,3，input_shape=（64,64），activation='relu'））

，并训练了我的第一个模型。这很好

当我将输入图像的大小调整为64*64，并使用卷积2D进行训练时

classifier.add(Convolution2D(32,3,3,input_shape = (64,64) 

我的准确率降低了。有什么问题

这是密码

classifier = Sequential()
classifier.add(Convolution2D(32,3,3,input_shape = (64,64,3), activation ='relu'))
classifier.add(MaxPooling2D(pool_size=(2,2)))
classifier.add(Flatten())
classifier.fit_generator(
        training_set,
        steps_per_epoch=8000,
        epochs=10,
        validation_data=test_set,
        validation_steps=800)

这是我的重塑代码

from PIL import Image
import os
path = 'TestForTrain2'
for file in os.listdir('TestForTrain2'):
    img = Image.open(os.path.join('TestForTrain2', file))
    width, height = img.size
    stringName = str(file)
    print(width," === ",height)
    print(stringName)
    f, e = os.path.splitext(path + file)
    imResize = img.resize((64, 64), Image.ANTIALIAS)
    imResize.save( stringName + '.jpg', 'JPEG', quality=90)

---

您的模型定义似乎不完整，它似乎至少错过了执行实际分类的最后一层。但是，将输入分辨率降低4/2会将“原始信息”输入降低16（4ˆ2），这最终会对预测精度产生负面影响

---

由于提供的信息少了很多，所以逻辑上，您的模型无法像以前那样准确地预测类。

何时进行预处理： 这可能是预处理的图像。我们只在需要时预处理数据，因为当我们预处理数据时，我们会丢失一些信息。如果我们在某些情况下不预处理数据，那么算法可能需要时间来处理较大的值（而不是预处理的数据）

当我们有更少的资源来训练我们的模型时，我们将预处理数据

我们对数据进行预处理，因为它们在我们的数据中是非常大和非常小的值。然后我们将其标准化，使其标准化，并在一定范围内获取数据。like（0,1）

还有许多其他原因需要进行预处理 但我们并不是对所有数据都进行预处理。您首先了解数据的性质，然后对其进行预处理

您的解决方案： 现在，您正在通过调整图像大小来预处理数据。通过将您的图像从（（256256））转换为（（64,64）），现在，当您有大尺寸图像时，图像中的像素值更多，每个像素为我们提供一些信息。现在，当您调整图像大小时，您的像素会减少，因此您的模型可以用于分类的信息会减少。但是当你不调整你的数据时，你的机器需要时间来处理你的图像。现在，通过实验找到一些中间的方法，你选择的尺寸会给你的模型提供足够的信息，机器处理这些信息的工作量会减少。试试看（180*180）

---

（164*164）继续向下，直到根据数据达到所需的精度。

请说明如何调整图像大小？你用什么打开它们？枕头？在这种情况下，它是opencv别忘了它使用的是BGR颜色格式，而不是RGB格式。我很困惑。你的两个训练过程有什么不同？不同之处只是输入图像的形状。在我的第一个模型中，输入图像的形状是256*256。这个模型运行得很好。在我的第二个模型中，我将输入图像重塑为64*64，模型的准确率非常低。我不明白为什么会发生这种情况。@const我添加了重塑代码。还有一个问题，当把256*256个图形训练成64*64个输入图形时，会发生什么？这会影响训练还是CNN会做出一些安排？@Ghostede，你想预测的目标变量是什么？从您发布的顺序模型定义来看，不太清楚您解决的问题是什么。你学过图像嵌入之类的吗？我想如果你能把所有的代码都发布在这里会很有帮助。实际上我有稠密的（）层，只是没有放在这里。我想知道，当ı调用classifier.add（卷积2d（32,3,3，input_shape=（64,64），activation='relu'）函数时，即使输入图像的形状为256*256，它也能很好地预测。即使我的图像是256*256形状，当应用con2d时会发生什么。谢谢事实上我已经照你说的做了。但ı不理解的部分是，即使我的图像是256*256形状，ı也会将2D 64*64作为输入形状。这样做我错过了什么？谢谢你的回答。