1080x1920对于CNN来说太大了，该如何优化呢？

对于CNN（卷积神经网络）来说，1080x1920的输入尺寸确实较大，可能会导致计算和存储资源的浪费，同时也会增加模型训练和推理的时间。为了优化这个问题，可以考虑以下几个方面：

图像尺寸调整：可以将图像尺寸调整为更小的尺寸，以减少计算和存储资源的消耗。常见的方法包括裁剪、缩放、保持宽高比等。例如，可以将图像调整为720x1280或更小的尺寸。
图像压缩：可以使用图像压缩算法来减小图像的文件大小，从而减少存储和传输的成本。常见的图像压缩算法包括JPEG、PNG等。需要根据具体场景和要求选择合适的压缩算法。
特征提取：可以考虑使用预训练的模型或特征提取方法，将图像转换为更低维度的特征表示。这样可以减少输入数据的维度，降低计算复杂度，并且可以提高模型的泛化能力。
批量处理：可以将多个图像一起进行处理，以提高计算效率。通过批量处理，可以减少数据传输和计算的开销，提高模型训练和推理的速度。
硬件加速：可以利用GPU、TPU等硬件加速器来加速CNN的计算过程。这些硬件加速器具有并行计算的能力，可以显著提高CNN的计算性能。
模型优化：可以对CNN模型进行优化，减少模型的参数量和计算量。常见的模型优化方法包括剪枝、量化、蒸馏等。通过模型优化，可以减少模型的复杂度，提高模型的效率和性能。

总结起来，优化1080x1920的图像输入尺寸可以通过调整图像尺寸、压缩图像、特征提取、批量处理、硬件加速和模型优化等方法来实现。具体的优化策略需要根据具体场景和需求进行选择和调整。

腾讯云相关产品和产品介绍链接地址：

图像处理相关产品：https://cloud.tencent.com/product/ti
人工智能相关产品：https://cloud.tencent.com/product/ai
云计算相关产品：https://cloud.tencent.com/product/cvm
数据库相关产品：https://cloud.tencent.com/product/cdb
存储相关产品：https://cloud.tencent.com/product/cos
区块链相关产品：https://cloud.tencent.com/product/baas
物联网相关产品：https://cloud.tencent.com/product/iot
移动开发相关产品：https://cloud.tencent.com/product/mpp
网络安全相关产品：https://cloud.tencent.com/product/saf
云原生相关产品：https://cloud.tencent.com/product/tke
音视频处理相关产品：https://cloud.tencent.com/product/vod
网络通信相关产品：https://cloud.tencent.com/product/im

页面内容是否对你有帮助？

有帮助

没帮助

在我的CNN模型中，acc和成本并不稳定

python、tensorflow、conv-neural-network

我有自己的6600个数字训练图像集(0~9)，18200个英文低字母训练图像集(a~z)，18200个英文大写字母训练图像集(A~Z)。我首先用CNN模型训练我的数字训练集，它工作得很好。这是我的CNN模型结构。 learning rate = 0.0001 28X28 input image 11X11 output label.(0~9(5500 training sets) and none digit ex)a~z, A~Z(1100 training sets)) CONV1 filter(3,3,1,32)->relu->maxpool(1,2,2,1) and

浏览 0提问于2017-11-22得票数 0

1回答

轻量云 Wordpress 批量处理产品直接502 bad gateway nginx怎么办？

nginx、wordpress、gateway、php-fpm、产品

4h8g的轻量云，搭的wordpress商城，经常满负载，而且批量编辑产品会直接 502 bad gateway nginx。 php 配置如图：图片

浏览 236提问于2023-08-02

1回答

验证准确率在达到90%后没有提高

python、deep-learning、conv-neural-network、tf.keras

我有大约14,000张图像用于人脸检测二进制分类任务。大约12,000张图像用于训练，2,200张用于验证。我的CNN架构如下- regularizer = tf.keras.regularizers.l2(l=0.001) init = tf.initializers.he_uniform() model = tf.keras.models.Sequential([ tf.keras.layers.Conv2D(filters = 32, kernel_size = (3, 3), strides = (1, 1), padding='same', activati

浏览 1提问于2019-10-19得票数 1

2回答

为什么训练速度不与批次大小成比例？

tensorflow、object-detection

我感到惊讶的是，增加批处理大小并没有提高GPU上的总处理速度。我的测量： batch_size=1: 0.33秒/步 batch_size=2: 0.6秒/步 batch_size=3: 0.8秒/步 batch_size=4: 1.0秒/步我的期望是，由于GPU上的并行化，这个步骤的时间将保持(几乎)不变。然而，它几乎与批量大小成线性关系。为什么？我有误解什么吗？我正在使用，重新训练的faster_rcnn_resnet101_coco模型，预定义的batch_size是1，我们的GPU (Nvidia 1080 Ti)可以处理多达4张图像，所以我想利用这个来加速

浏览 0提问于2018-01-15得票数 17

2回答

为什么Tensorflow CNN使用太多内存？

machine-learning、tensorflow、deep-learning、convolution、data-science

我是深度学习的新手，我正在使用Tensorflow训练cnn进行图像识别。训练图像都是128像素* 128像素*3通道。在我的网络中，有3个卷积层，3个最大池层和1个完全连接层。我有超过18万张带标签的图像，所以我决定每批训练4000张图像。然而，训练过程甚至不能在我的笔记本电脑上运行，因为内存不足，所以我尝试使用64 it内存和2* E5 CPU的服务器来训练它。这一次，它可以工作，但需要超过40 it的内存。我很困惑，我用来训练的图像不是高分辨率的图像(只有128*128)。但是为什么仍然需要花费太多的内存(可能是批大小太大了……)。这是正常的吗？如果这是正常的，人们怎么能使用图形处理器来

浏览 1提问于2017-09-11得票数 0

1回答

使用深度学习进行图像分类的最佳批次大小

machine-learning

我有一个广泛的问题，但仍然应该是相关的。假设我正在使用CNN进行2类图像分类。32-64的批次大小应足以用于培训目的。然而，如果我有大约13个类的数据，32批大小对于一个好的模型来说肯定是不够的，因为每批可能会得到每个类的2-3个图像。是否有通用或近似公式来确定用于训练的批次大小？或者应该使用网格搜索或贝叶斯方法等技术将其确定为超参数？塞迪

浏览 30提问于2020-02-10得票数 2

2回答

在Keras中使用预先训练的CNN进行迁移学习的输入维数

deep-learning、keras

我想尝试使用一些预先训练的CNN模型与Keras库(例如，异常，ResNet50等)进行特征提取。我试图找出我的数据集的输入维数是否需要匹配用于训练原始CNN的图像的维数。例如，我是否应该使用对210x210 RGB图像进行预培训的网络模型，这是否意味着如果我想使用它进行特征提取，网络只会处理相同维数的图像(即(210,210，3))吗？还是在这方面有一定的灵活性？尝试搜索Google并检查Keras文档，但是没有找到关于这个问题的明确答案！如果在这方面有经验的人提供任何意见，我将不胜感激。

浏览 7提问于2017-09-01得票数 3

回答已采纳

1回答

使用Tensorflow对象检测API检测图像中的小对象

tensorflow、object-detection、object-detection-api

我想使用Tensorflow 来识别一系列摄像头图像中的对象。对COCO数据集进行预培训的似乎是合适的，因为它们包含了我需要的所有对象类别。但是，我希望改进模型在识别每个图像中相当小的对象方面的性能。如果我正确理解，我需要编辑中的锚点参数，以获得模型使用较小的边界框。我的问题是：在调整这个参数之后，是否需要在整个COCO数据集上重新训练模型？或者，是否有一种方法来改变模型，仅仅是为了推理和避免任何再训练？除了将图像裁剪成各部分并分别对每个部分进行推理外，是否还有其他技巧可以成功地识别小对象呢？背景信息我目前正在为模型提供1280x720图像。在大约200x150像素

浏览 1提问于2018-01-15得票数 12

回答已采纳

3回答

优化循环中的更新请求

java、mysql、sql、hibernate、jpa

我有一个简单的用例，但是它并没有被优化，我想知道它是否可以。假设我有一个简单的实体，它包含一个ID和一个名为price的变量(这个实体称为Product)。我正在使用Hibernate和JPA，每一小时我都想更新产品的价格，下面是伪代码： List<Product> products = Product.retrieveAll(); for (Product p : products) { p.price = makeSomeComplexComputationsToGetNextPrice(); p.save(); // Updates the entit

浏览 3提问于2013-08-29得票数 2

回答已采纳

2回答

在google云上远程运行tensorflow，然后返回准确性/预测

python、python-3.x、neural-network、google-cloud-platform

我试图在python中创建一个gui，其中用户选择训练数据，然后通过按下训练按钮训练一个神经network.Then，用户可以获得测试的准确性或使用模型来预测某事。问题是，由于gpu不足，我无法在pc机上训练神经网络。我想上传Google 中的培训文件，然后远程运行python脚本，该脚本在google中训练模型，然后返回训练的准确性，或者给出一张Google云存储中的图片，并运行类似于predict.py的远程操作，使用以前训练过的模型(例如，我在Google云存储中保存的)来预测图片的标签。到目前为止，我已经找到了如何从python远程访问google，但我不知道如何远程运行pytho

浏览 1提问于2018-06-04得票数 0

1回答

卷积神经网络概念中的图像

deep-learning、convolution

假设我有一个训练用于分类不同动物图像的CNN，这种模型的输出将是n空间维中的一个点(输出点)，其中n是模型所训练的动物类的数量；然后将输出转换成n参数的一个热向量，然后从CNN的角度给出图像的正确标签，但让我们坚持n维点，即输入图像的概念。那么，假设我想把这个点转换成这样，最后的输出是一个有约束宽度和高度的图像(不同的输入图像的尺寸应该是相同的)，它输出与输入图像相同的点，我怎么做呢？我基本上是在询问用于这种任务的方法(主要是训练)，在这种任务中，必须根据CNN -I的输出点重建图像，知道图像永远不会相同，但我正在寻找生成相同(或至少不太不同)输出点的图像，当该输出点输入到CNN时-。请记

浏览 1提问于2017-03-28得票数 1

回答已采纳

1回答

是否应该将数据集划分为训练、测试和验证？

keras、tensorflow、cnn

我正在实施CNN分类模型。我已经看到了几个将数据集拆分为测试、训练和验证的实例。我还看到了数据集被分割为训练和测试的实例，测试数据被再次用于验证。这里最好的办法是什么？

浏览 0提问于2022-10-15得票数 0

2回答

keras对指标或损失进行优先排序？

tensorflow、keras、neural-network

我正在努力理解keras模型是如何工作的。当我们训练模型时，我们给出指标(如“准确性”)和损失函数(如交叉熵)作为参数。我想知道的是模型优化的目标是什么。拟合后，leant模型最大限度地提高了准确性？或者最大限度地减少损失？

浏览 30提问于2020-10-27得票数 0

1回答

为什么在Google Cloud ML上训练的TensorFlow模型比在本地训练的模型更准确？

tensorflow、machine-learning、object-detection、google-cloud-ml

我训练了一个对象检测API模型(使用动物园的COCO / Inception v2的Mask RCNN )，具有相同的配置，TensorFlow和模型版本，以及相同数量的步骤的相同(自定义)数据集。在本地机器(1080TI上的tensorflow-gpu)上，我使用了object_object/Train.py，而在云上，我使用了调用object_detection.train模块的google ml-engine作业。两者使用相同的学习率。云运行使用了5个工作进程，而本地运行只有1个GPU。它们都被设置为批处理大小为1。为什么本地训练的模型的准确性要低得多？本地训练的模型往往比云训练的

浏览 28提问于2018-08-23得票数 0

回答已采纳

4回答

用于图像识别的TensorFlow，图像大小

machine-learning、tensorflow、classification、image-recognition

图像的大小如何影响训练该任务的模型？我目前的训练集持有的图像是2880 X 1800，但我担心这可能是太大的训练。总的来说，我的样本大小将是大约200-500张图片。这是否意味着我在培训我的模型时需要更多的资源(GPU，RAM，分发)？如果这个太大，我应该如何调整大小？--我想尽可能地模拟真实世界的照片分辨率，以获得更高的精度。编辑：我也会对图像文件使用TFRecord格式

浏览 1提问于2017-07-17得票数 2

回答已采纳

1回答

增强人工图像，使之看起来像真实图像，用于TF目标检测

python、image、opencv、dataset、object-detection-api

我正在使用速度更快的train盗梦空间ResNet v2模型来自Tensorflow对象检测API来训练CNN来检测安全标志。由于我没有真实的图像数据集，我编写了一个代码，它创建了一个人工数据集，该数据集由计算机绘制的符号图像和来自公开数据集(GTSDB、KITTI等)的真实世界背景图像组成。虽然经过训练的模型在看不见的人造图像上效果很好，但在我用iPhone 5SE拍摄的真实测试图像上却不能很好地工作。我已经拥有来自imgaug ()的各种数据增强技术，并在互联网上搜索解决方案，但对于真实世界的图像却没有任何成功。此外，调整测试图像的大小，使其接近训练图像的大小，并将其转换为.png没有

浏览 0提问于2019-02-08得票数 0

回答已采纳

2回答

类中不同数量的图像

deep-learning、keras、tensorflow、convolutional-neural-network、cloud-computing

我正在做一个深入学习的CNN项目。数据集包含500多个类，类有不同数量的项(图像)。例如，有些类有5幅图像，有些类有10幅，有些类有20幅图像，有些类有超过20幅图像。我可以使用这个数据集来创建CNN模型吗？每个类中的图像数量是否应该是相同的数字？注:我将使用VGG来训练模型。

浏览 0提问于2018-06-28得票数 3

回答已采纳

1回答

深度学习中的图像分辨率

tensorflow、deep-learning、gpu、object-detection

让我将我的问题总结如下：每当我尝试用我的自定义数据集训练模型时，我都会遇到内存错误。后来，我注意到，与同一数据集中的其他图像相比，一些图像的分辨率非常高。然而，它们的大小并没有那么大。在我的预训练模型中有一个图像大小调整，所以我认为我上面提到的情况不会有问题，但我不能确定。这会导致问题吗？

浏览 72提问于2021-03-25得票数 1

回答已采纳

3回答

验证损失远高于培训损失

python、neural-network、keras

我正在训练CNN的一些文本数据。这些句子被填充和嵌入，并被传送给CNN。模型结构是： model = Sequential() model.add(Embedding(max_features, embedding_dims, input_length=maxlen)) model.add(Conv1D(128, 5, activation='relu')) model.add(GlobalMaxPooling1D()) model.add(Dense(50, activation = 'relu')) model.add(BatchNormalization

浏览 0提问于2019-12-26得票数 9

2回答