Tensorflow 对于一个卷积神经网络，它需要180x180像素的输入图像，我应该举多少个训练例子？

我正在为人脸识别（特别是我的脸）建立一个CNN。我会将图像的大小调整到180x180像素左右。为了得到好的结果，我的数据集中应该有多少图像？对于正常的神经网络，我知道特征的数量应该少于数据集，以防止过度拟合，但是对于CNN也是这样吗

我要做的只是将我的图像分类为“mypic”，将其他人的图像分类为“其他人”。

关于“多少数据足够？”的问题实际上是一个相当复杂的问题，简单的回答是，它因情况而异。例如，如果您正在使用CNN来确定照片中是否存在一系列颜色，您很可能不需要大量数据。另一方面，如果你使用CNN尝试在图像中识别不同种类的鸟类，你可能需要很多例子

问题很好地概括了这一点，但TL；博士，你应该得到尽可能多的数据，并通过你选择的任何误差度量来测量你得到的误差

如果添加更多数据会减少测试集的错误，或者训练错误明显低于测试错误，那么添加更多数据以进一步减少测试集错误可能是一个好主意。但是，如果您的测试错误保持不变，或者更糟，则在添加更多示例时会增加，这可能是过度拟合的症状，因此您有太多的示例。我希望这个解释有意义，如果你对此有任何疑问，请在下面留下评论

---

编辑：另一个注意事项是，您应该提供数据，其中包含您希望识别人脸的任意位置。例如，如果您只想让它每次都在相同的灯光/背景下识别您的脸，那么您可能不需要太多数据，但您应该从该角度提供大部分图片数据，以便相机看到的内容与数据之间具有高度的相似性。或者，如果您想从手机上进行面部识别，例如，可以有许多不同的角度/背景，因此您应该提供更多的示例，所有示例都包含这些角度/背景的各种/组合，以获得最佳效果。

为了获得好的结果，我的数据集中应该有多少图像

实际上这个问题太笼统了，我可以给出两个答案。根据Python中TensorFlow的脚本，至少需要20个图像作为输入

if len(file_list) < 20:
  tf.logging.warning(
      'WARNING: Folder has less than 20 images, which may cause issues.')
elif len(file_list) > MAX_NUM_IMAGES_PER_CLASS:
  tf.logging.warning(
      'WARNING: Folder {} has more than {} images. Some images will '
      'never be selected.'.format(dir_name, MAX_NUM_IMAGES_PER_CLASS))

如果len（文件列表）<20：
tf.logging.warning(
“警告：文件夹中的图像少于20个，这可能会导致问题。”）
elif len（文件列表）>每个类的最大图像数：
tf.logging.warning(
'警告：文件夹{}有超过{}个图像。某些图像将被删除'
“永远不要选择。”。格式（目录名称、每个类的最大图像数））

最好提供比建议数量更多的输入图像，因为输入的数据越多，训练和推断数据的准确性就越高。既然你只是想根据你的面部图像进行检测，那么我敢打赌这是如此的简单，你可以经常从你的照片和自拍中收集它

但好的结果不仅仅取决于图像的数量。某些用户对资源的访问可能有限。好的结果还取决于您使用的CNN架构。不同的体系结构或培训模式肯定会产生不同类型的好结果。有很多模型或架构，比如MobileNet和ResNet，都有利于CNN的深度学习

---

无论您希望进行何种类型的检测，在这种情况下，请确保您已经将这些图像分类到各自的文件夹中。

我认为这个问题太广泛了。首先，你需要很好地理解深度学习的概念。有很多来源。