较小的输入大小是否可以让迁移学习更快地收敛？是否可以寻求更高的准确性？

Question

您好，我正在尝试将迁移学习与 Xception 结合使用，但我有一个问题。当我这样做时：

xception=Xception(input_shape = (IMAGE_WIDTH, IMAGE_HEIGHT, IMAGE_CHANNELS, include_top=False, weights='imagenet')   

IMAGE_WIDTH=192 IMAGE_HEIGHT=256 IMAGE_CHANNELS=3

每个epoch的时间约为830s

当我这样做时：

xception=Xception(input_shape = (150, 150, IMAGE_CHANNELS, include_top=False, weights='imagenet')

每个epoch的时间约为340s

而且我的原始图像大小是 IMAGE_WIDTH 和 IMAGE_HEIGHT

我想选择后者，因为它更快，但我想知道你的意见。将 input_shape 设置为原始大小会导致更好的结果吗？

Answer 1

是的，它应该会带来更好的结果。但是，这高度依赖于您的数据集和实验。不可能说它在性能方面会有什么不同，肯定会更慢。

有一个权衡。

更好的结果 --> 较慢的模型
不太好的结果 --> 更快的模型

较小的输入大小是否可以让迁移学习更快地收敛？是否可以寻求更高的准确性？

Is the smaller input size quicker on transfer learning to converge and is that ok on seeking better accuracy?

machine-learning

keras

transfer-learning