【AI-1000问】为什么深度学习图像分类的输入多是224*224

写在前边的通知

大家好，今天这又是一个新专栏了，名叫《有三AI 1000问》，顾名思义，就是以问题为主了！

那我们这个新专栏会有什么特色呢？主要从内容选择，目标受众，创作风格三个方面来讲述。

1、内容选择

因为我们有综述专栏，有各种垂直领域的非常详细的文章，所以从内容选择上，我们这一个专栏不会选择那些“大”问题，不会选择需要长篇分析的问题，也不会选择需要很强的实践操作的问题。

内容选择的标准是：

• 技术相关

• 足够聚焦

• 容易被忽视

• 普通但是不简单

• 可以引申很多思考
  

不会入选的内容比如：“目标检测的最新进展”，“tensorflow的最新API”，“Mask RCNN文章阅读”等等之类的文章。

会入选的内容比如：“为什么图像分类输入大小多是224*224”，“为什么卷积神经网络要使用池化”。

2、目标受众

我认为未来机器学习技术/AI技术是每一个人都可以掌握，使用的技术，因此，我们这一个专栏不再只是面向从事相关工作的朋友，不会像其他专栏的文章那样对基础要求高。

目标受众包括：

• AI领域从业技术人员

• 其他计算机领域从业人员

• AI技术业余爱好者

3、创作风格

这一个专栏以引导思考，普及知识为主，希望减轻阅读负担，因此不会像其他系列文章那样清晰地划分段落，也会适当地降低内容的深度。

创作风格是：

• 不严格划分小节

• 平衡内容深度和可阅读性

好了，具体内容就参考我们的第一期吧，希望你喜欢。

为什么深度学习图像分类里的图片的输入大小都是224*224呢？

做过图像分类项目或者看过文章的小伙伴们应该都知道，在论文中进行各类方法的比较时，要求使用同样的数据集。而为了公平的比较，网络的输入大小通常都是224*224的大小，那为什么呢？有同学思考过这个问题吗？

作者/编辑 言有三

我们都知道，一个图像分类模型，在图像中经历了下面的流程。

从输入image->卷积和池化->最后一层的feature map->全连接层->损失函数层softmax loss。

从输入到最后一个卷积特征feature map，就是进行信息抽象的过程，然后就经过全连接层/全局池化层的变换进行分类了，这个feature map的大小，可以是3*3，5*5，7*7等等。

解答1：在这些尺寸中，如果尺寸太小，那么信息就丢失太严重，如果尺寸太大，信息的抽象层次不够高，计算量也更大，所以7*7的大小是一个最好的平衡。

另一方面，图像从大分辨率降低到小分辨率，降低倍数通常是2的指数次方，所以图像的输入一定是7*2的指数次方。以ImageNet为代表的大多数分类数据集，图像的长宽在300分辨率左右。

解答2：所以要找一个7*2的指数次方，并且在300左右的，其中7*2的4次方=7*16=112，7*2的5次方等于7*32=224，7*2的6次方=448，与300最接近的就是224了。

这就是最重要的原因了，当然了对于实际的项目来说，有的不需要这么大的分辨率，比如手写数字识别MNIST就用32*32，有的要更大，比如细粒度分类。

思考

今天的问题就到这里了，不知道，你有没有留意过不同的输入大小对分类器性能的影响呢？

转载文章请后台联系

侵权必究

更多请关注知乎专栏《有三AI学院》

往期精选

想要变身”AI专家“，就戳戳手指关注我们吧

别忘了点“好看”支持作者噢  👇👇👇