размер изображения для обучения набора цифр cifar по стандартным mobileNet, VGG-16 или AlexNet с нуля в тензорном потоке или кера

Question

Предположим, я хочу обучить стандарт AlexNet, VGG-16 или MobileNet с нуля с помощью набора данных CIFAR-10 или CIFAR-100 в Tensorflow или Keras. Теперь проблема в том, что архитектура стандарта AlexNet, VGG-16 или MobileNetпостроен для набора данных ImageNet, где каждое изображение имеет размер 224 * 224, но в наборе данных CIFAR-10 или CIFAR-100 каждое изображение имеет размер 32 * 32. Что из следующего я должен сделать ???

1. Измените размер каждого изображения в наборе данных CIFAR-10 или CIFAR-100 с 32 * 32 до 224 * 224, а затем обучите стандарт AlexNet, MobileNet или VGG-16 для этого измененного набора данных изображения.

или

Измените архитектуру стандартного MobileNet, AlexNet или VGG-16 (количество слоев, шаг или размер фильтра), чтобы измененная архитектура могла передавать изображение 32 * 32 из набора данных CIFAR-10 или CIFAR-100.

, если ответом является вариант 1, пожалуйста, предложите, как я изменяю размер пакета изображения в тензорном потоке или в керасах

или, если ответом является вариант 2, предложите некоторую архитектуру для MobileNet, VGG-16 илиAlexnet (слои, шаги, фильтры) для обучения их в наборе данных Cifar 32 * 32 image

Заранее спасибо.

Answer 1

На самом деле вы можете указать форму ввода этой сети, если вы прочитаете документацию, то увидите, что (32, 32, 3) является правильным значением ввода:

https://keras.io/applications/#mobilenet
https://keras.io/applications/#vgg16

input_shape: необязательный кортеж формы, указывается только если include_top Неверно (иначе входная форма должна быть (224, 224, 3) (с формат данных channel_last) или (3, 224, 224) (с помощью channel_first) формат данных). Он должен иметь ровно 3 входных канала, а ширина и высота должна быть не менее 32. Например, (200, 200, 3) будет один действительное значение.

Вы также можете изменить все ваши изображения, но я не думаю, что это хорошая идея, 224 * 224 изображений в этих сетях будут очень долго тренироваться.