Question

我使用小图片修补程序培训了一个（only-convs）网络，现在我在更大的图像上使用它。它工作得很好，除了当图像大得多时，我最终会失去记忆。

有没有办法预测网络输出而不保存中间状态（用于计算反向传递？）。

我只需要前向传递的输出，而我根本没有用于后向传递的渐变（网络已经训练过）。

Ps：我已经尝试将更大的图像分割成补丁，但这样做会破坏空间相关性（特别是在每个补丁的边界上）。

编辑：我发布了用于预测给定img的函数（python中的代码）。它需要img，调整到适当的形状和值范围，预测和返回：

def predictImg(img_name,autoencoder):
   img = np.asarray(Image.open(img_name)).astype('float32')
   img2 = np.expand_dims(np.transpose(img.astype('float32')[:,:,:3],(2,0,1))/255.0,0)  # setting up for shape (sample,channels,x,y), ranging between [0,1]
   prediction = autoencoder.predict(img2)
   return np.transpose(np.round(np.clip(prediction[0]*255,0,255)),(1,2,0)) # getting a [0,255] image (discretized color values)

预测而不保存中间状态

0 个答案: