对于一个输入图像为180x180像素的卷积神经网络，我应该采取多少训练示例？

Question

我正在建立用于人脸识别的CNN（特别是我的脸）。我会将图片大小调整为180x180像素左右。为了获得良好的效果，我的数据集中应该有几张图像？对于正常的神经网络，我知道特征的数量应少于数据集，以防止过度拟合，但是CNN也是这样吗？

我要做的只是将我的图像分类为“ mypic”，将其他人的图像分类为“其他”。

Answer 1

“多少数据足够？”的问题实际上是一个非常复杂的问题，简短的答案是，因情况而异。例如，如果您正在使用CNN来确定照片中是否存在一定范围的颜色，那么您很可能不需要大量数据。另一方面，如果您正在使用CNN尝试识别图像中不同种类的鸟类，则可能需要很多个示例。

This这个问题确实很好地总结了出来，但是TL; DR，您应该获取尽可能多的数据，并通过选择的任何错误度量标准来衡量所获得的错误。

如果添加更多数据可以减少测试集的误差，或者训练误差大大低于测试误差，那么添加更多数据以进一步减少测试集误差也许是个好主意。但是，如果在添加更多示例时您的测试错误保持不变，或更糟，是 up ，则这可能是过度拟合的征兆，因此示例过多。我希望这种解释是有道理的，如果对此有任何疑问，请在下面留下评论。

编辑：另外一项注意事项是，您应该为数据提供尽可能多的位置，以便在其中识别出您的面孔。例如，如果您只希望它在同一张面孔中识别出您的面孔每次使用照明/背景，那么您可能都不需要太多数据，但是您应该从那个角度提供大部分图片数据，因此相机看到的内容与数据所具有的相似度很高。另外，例如，如果您想通过手机进行面部识别，则可能有许多不同的角度/背景，因此您应该提供更多示例，所有示例都包含这些角度/背景的多种/组合，以获得最佳效果。

Answer 2

我的数据集中应该有多少张图像才能获得良好的效果？

实际上，这个问题太笼统了，我可以给出2个答案。好吧，根据Python中用于TensorFlow的脚本，您至少需要20张图像作为输入。

if len(file_list) < 20:
  tf.logging.warning(
      'WARNING: Folder has less than 20 images, which may cause issues.')
elif len(file_list) > MAX_NUM_IMAGES_PER_CLASS:
  tf.logging.warning(
      'WARNING: Folder {} has more than {} images. Some images will '
      'never be selected.'.format(dir_name, MAX_NUM_IMAGES_PER_CLASS))

最好提供比推荐数量更多的输入图像，因为您输入的数据越多，训练和推理数据的准确性就越高。由于您只是想根据自己的脸部图像进行检测，因此我敢打赌，您可以轻松地从您自己的照片和自拍照中收集照片。

但是，好的结果不仅取决于图像数量。某些用户可能对资源的访问受限。好的结果还取决于您使用的CNN架构。不同的架构或培训模型肯定会带来不同类型的良好结果。有很多模型或体系结构，例如MobileNet和ResNet，都非常适合CNN深度学习。

无论您希望使用哪种类型的检测（在这种情况下为mypic和others，请确保已将这些图像分类到各自的文件夹中。