人。
我对Keras / Tensorflow中的机器学习和编程还比较陌生。我已经选修了一门机器学习课程以进行图像分析，但是我正在努力解决一个相当简单的问题（我相信）。我的任务是检测通常大小为2200x630的图像上的噪点，给定或占据几百个像素。这太大了，无法放入转换层，我无法真正调整其大小。这是因为（稍后）我将无噪音地再现图像。
我研究了具有多层等结构的标准CNN。在Keras中创建这些CNN并没有问题，但是当我尝试使用滑动窗口时，问题就出现了。
如何在使用滑动窗口的同时训练网络？
我似乎无法全神贯注。就我而言，我只是希望网络决定图像中是否存在噪声。因此，这是一个简单的对/错问题，一个带有2个类的cnn。在将图像“分成”多个带有滑动窗口的部分后，如何调整整个图像的标签以用于反向传播和训练？甚至可以在Keras中这样做吗？我没有任何代码，因为我不知道如何进一步前进。因此，我在这里发布了一个伪代码：
Class Network():
def __init__(self):
.......
def model(self):
img = Input(self.img_shape)
model.add(Conv2D(........)
......
......
model.add(Dense(nclasses))
return model
上面的部分是正常的（我希望），但是我正在努力的部分如下：
class Network......
def sliding_window(self):
for i in range(start, stop):
for j in range(start, stop):
img = data[window_size*i:window_size*(i+1)][window_size*j:window_size*(j+1)]
def training(self):
.....
.....
for X_target, labels in generator():
window = sliding_window(X_target)
self.autoencoder.train_on_batch(X_train,X_target)
我现在如何使程序理解20张图像等于一张图像，并且必须合并最后20张图像的所有标签才能为实际的图像制作有益的标签。图层本身是为小盒子定义的，那么我该如何训练网络呢？我要解决所有这些错误吗？除了滑动窗口外，我还应该使用其他东西吗？我很困惑。...