tensorflow - TensorFlow 中的训练芯片和目标图像格式

Question

我正在尝试为 Sentinel Image 建立土地覆盖分类模型。我使用的图像通道（波段）是 32 位浮点数。

我需要了解如何最好地格式化图像数据，包括用于训练的芯片/补丁和用于分类的目标图像。我有几个问题？

1. 我是否需要将我的原始图像和训练芯片从 32 位转换为其他深度？
2. 我是否需要确保训练芯片/补丁和目标具有相同的深度（32 位、16 位或其他）？
3. 我需要转售我的数据吗？我看到了一些论文，其中数据在 0-1 或 0-255 之间重新调整？
4. 数据深度会影响学习和预测的性能吗？

非常感谢。

马兹

Answer 1

在 PC 上使用的最佳精度有float32很多原因，例如，更高的精度使计算更准确，这更好，但不知何故float16比float32在 PC 上慢（我不记得为什么）并且float64在普通机器上无法使用。

所以

1. 无论如何，您通常都需要使用 float32 作为输入。因此，如果它首先是 float32，那么就这样使用它。

2. 你这样做，但我认为它们都会在 keras 期间fit或predict为 keras 转换为所需的精度。它在$HOME/.keras/keras.json。

3. 我认为这不是必需的，但以 std 为中心的重新缩放有助于收敛，不过，谷歌总是简单地重新缩放到-1 to 1.

4. 确实如此，但正如我所说，更高的精度会带来更好的准确性，但速度会更慢。