我需要获得一些关于深度神经网络的知识。
对于“ResNet”非常深的神经网络，我们可以使用迁移学习来训练模型。但是 Resnet 已经在 ImageNet 数据集上进行了训练。因此，它们的预训练权重可用于使用另一个数据集训练模型。（例如，使用 CT 肺部图像训练肺癌检测模型）
我觉得这种方法不准确，因为预训练的权重已经完全训练过其他对象，但没有使用医学数据。
是否可以从头开始训练 resnet，而不是迁移学习？（但可用于训练 resnet 的图像数量约为 1500）。有没有可能用普通电脑做。
有人可以与我分享您的宝贵想法吗
是否可以从头开始训练 resnet？
是的，这是可能的，但是达到良好准确度所需的时间在很大程度上取决于数据。例如，在 NVIDIA M40 GPU 上训练原始 ResNet-50 需要 14 天（10^18 个单精度操作）。CNN 中最昂贵的操作是早期层的卷积。
ImageNet 包含 14m226x226x3图像。由于您的数据集要小约 10000 倍，因此每个 epoch 将减少约 10000 倍的操作。最重要的是，如果你传递灰度图像而不是 RGB 图像，第一个卷积将减少 3 倍的操作。同样，空间图像大小也会影响训练时间。对较小图像进行训练也可以增加批量大小，这通常会由于矢量化而加快速度。
总而言之，我估计一台具有单个消费级 GPU（例如 1080 或 1080ti）的机器一天可以训练约 100 个 ResNet-50 模型的 epoch。显然，在 2-GPU 机器上训练会更快。如果这就是您所说的普通计算机的意思，那么答案是肯定的。
但是由于您的数据集非常小，因此过度拟合的可能性很大。这看起来是您的方法面临的最大问题。