为什么？

在我们跳到“如何”这一部分之前，让我们先讨论一下选择错误尺码的负面后果。在我们选择了固定的宽度和高度之后，标准程序是将所有图像的大小调整到这个固定的大小。因此，现在每个图像都落入两个桶中的一个桶中。

• 缩小：较大的图像将被缩小，这使得CNN更难了解分类或检测所需的特征，因为关键特征所在的像素数量将显著减少。
• 放大：当小图像被放大并用零填充时，NN必须知道填充部分对分类没有影响。较大的图像训练速度也较慢，可能需要更多VRAM。

因此，我们必须选择自己的毒药，我们越接近最佳图像大小，效果就越好。

最佳图像大小

我们都知道，选择合适的大小取决于数据集，但问题是如何做到这一点？将图像大小可视化。

数据集：牛津-IIIT宠物数据集The Oxford-IIIT Pet Dataset

该数据集有7000多张大小和分辨率各不相同的图像。

从第一张图看，大多数图像的分辨率都低于500乘以500。放大后，我们可以清楚地看到图像聚集在300或500大小附近。对于此数据集，我的建议是开始训练图像大小为300的神经网络，然后逐渐将其增加到400，并在大小为500的情况下完成训练。这样，对于不同的图像分辨率，该模型都具有较好的泛化能力。

奖金

• 错误标记的数据：可能会混淆模型。
• 某些类图像的分辨率很高或很低：可能会使模型产生偏差。

2.检查后，如果我们认为需要删除某些数据点，则使用Lasso Selector来实现。Lasso Selector