微调输入大小较大的模型

Question

我在想，用更大的输入量对模型进行微调是否有意义？理想情况下，我希望拥有的属性：

1. 微调:意思是通过预训练重复使用权重。
2. 更大的输入尺寸:在模型中进料前不要向下取样.也许有更大的步幅？

具体来说，我正试图用特定的标签集对Keras中的InceptionV3进行微调。我想要更大的数据大小，因为我希望模型能够隐式地学习一些重要的字符。对于InceptionV3默认大小(299x299)，这在我看来是不可能的。

但这听起来像是我必须改变我正在重复使用的特定模型(比如修改模型体系结构中的特定层)，那么重复使用预先训练过的权重就没有意义了？

Answer 1

如果您想微调一个分类模型，通常您会删除几个顶层，作为分类器，并添加您自己的层。这与微调Inception_V3模型是一样的:您可以删除顶层，并使用所需的单元数(即数据集中的类数)添加您自己的分类器。例如：

from keras.applications.inception_v3 import InceptionV3

# let's say our images are of size (1000, 1000, 3)
inc_v3 = InceptionV3(include_top=False, input_shape=(1000, 1000, 3), pooling)

# add your desired layers to the top
# we only add one layer just for illustration
# but you can add as many layers as you want
out = Dense(num_classes, activation='softmax')(inc_v3.output)

# construct the new model
model = Model(inc_v3.input, out)

但是，请注意，您需要首先冻结所有基本层(即Inception_V3模型的层)以进行微调。此外，您也可以使用其他替代方案，而不是在顶部添加池层(即pooling='avg')，例如使用Flatten层。

此外，我建议您阅读相关的官方Keras教程：利用极少的数据建立强大的图像分类模型 (第二和第三部分主要与此相关)。