समान कम्प्यूटेशनल कर्नेल के साथ मनमाने ढंग से आकार के इनपुट सरणी को कार्यान्वित करने से कई चुनौतियां हो सकती हैं - उदा। एक जीपीयू पर, आपको यह जानने की जरूरत है कि कितने बड़े बफर आरक्षित हैं, और आपके लूप को अनलॉक करने के लिए कितना कमजोर है, आदि। यह मुख्य कारण है कि केरा को निरंतर इनपुट आकार की आवश्यकता होती है, परिवर्तनीय आकार के इनपुट से निपटने के लिए बहुत दर्दनाक होता है।
एनएलपी में वाक्यों की तरह परिवर्तनीय-लंबाई अनुक्रमों को संसाधित करते समय यह आमतौर पर होता है। सामान्य दृष्टिकोण आकार (और फसल लंबे अनुक्रमों) पर ऊपरी बाउंड स्थापित करें, और उसके बाद पैड इस आकार तक शून्य के साथ अनुक्रम स्थापित करें।
(तुम भी शून्य मान पर मास्किंग, गद्देदार क्षेत्रों पर संगणना को छोड़ने के लिए, सिवाय इसके कि Keras में convolutional परतों अभी भी नकाबपोश आदानों का समर्थन नहीं कर सकते हैं ... शामिल हो सकते हैं)
मैं 3 डी के लिए करता है, तो यकीन नहीं है डेटा स्ट्रक्चर, पैडिंग का ओवरहेड निषिद्ध नहीं है - अगर आपको मेमोरी त्रुटियां मिलना शुरू हो जाता है, तो सबसे आसान काम बैच आकार को कम करना है। छवियों पर इस चाल को लागू करने के साथ अपने अनुभव के बारे में हमें बताएं!
स्रोत
2016-10-07 00:53:34
हाय Maz, मैं वास्तव में एक ही समस्या है। आपके सुझावों के मुताबिक, इसका मतलब है कि मैं प्रशिक्षण के लिए विभिन्न आकारों वाली छवियों का उपयोग कर सकता हूं, और इसी तरह, मैं अलग-अलग आकार वाले छवियों के लिए segmenations की भविष्यवाणी कर सकता हूं। – user288609
ने कभी भी विभिन्न छवि आकारों के साथ प्रशिक्षण की कोशिश नहीं की, लेकिन आदर्श रूप से इसे काम करना चाहिए। भविष्यवाणी में, हालांकि, मैंने कोशिश की है और यह काम करता है (निश्चित रूप से ymmv)। सबसे खराब स्थिति परिदृश्य आपको एक ही आकार की छवियों के बैचों में खिलाना होगा। – maz