cnn学习之训练和测试数据集处理

最近，在看alexnet，vgg，googlenet的论文时，对于论文中training和testing的时候对于image的处理，做一下总结。（其中有些困惑，可能理解不到位，还望指出）

training

我们知道对于cnn而言，输入的数据大小是必须相同的，而对于imagenet中的数据集而言，大小不一，因此一般先rescale成一个固定大小比如256*256，然后再从这256*256的图片中crop成一个固定大小比如224*224，因此最原始的图片-》rescale-》crop最后变成了统一大小的输入，

但是在rescale的时候，alexnet采用全都rescale成256*256大小，而在vgg中，采用了三种模式，一种是全都rescale成一个大小，一种是rescale成几个固定大小，还有一种是rescale成一个范围[Smin,Smax]的不同大小，实验表明最后一种效果更好，因为，rescale成不同大小后，再crop的时候，能够取得不同粒度不同角度下的这张图片，更加准确。

testing

在testing的时候

alexnet的处理和training一样；

googlenet：

googlenet的处理如下面这段话，意思就是对于一张原始图片采用scale，take，crop，flip等使得变成4*3*6*2=150种crop，对这150个crops分别放入training好的模型中跑，得到的结果取平均值，做为对最初这张原始图片的预测的最终结果。直观上讲，就是你从不同的角度来评判一件事物，最后综合一下，得到一个较为靠谱的结论。

vgg：

对于vgg而言，他则是在test的时候先rescale成一个固定大小，或者几个固定大小，然后不进行crop，直接用整张图进行测试，如下面这段话所示，

因为testing的size与training的size（比如224*224）不同，因为testing没有经过crop，导致最后一层conv和fc无法匹配原先的参数个数（因为最后一层conv的神经元个数和输入的size有关），因此将fc改成fcn的形式，做一次1*1的卷积，然后经过三个fcn之后得到class（最后分类的类别数）个map，最后对map取平均值，得到class个值，作为softmax的输入，进行最后的预测。

为什么可以取平均值作为输入呢，直观上讲，就是每一个map上的每一个元素，可以看成是testing输入size下，对于crop成training size（224*224）的每一种crop的预测值，也就是说，每一个map上的每一个元素，可以看成每一个crop对于这map所对应的类的可能的预测。最后对这个map取一个平均值。

其实还有一个疑惑点，就是我们知道对于一个cnn模型，输入的size是固定的，而training和testing的size不固定这是怎么整的？本人强行理解就是，将training学得的参数，对于另一个cnn进行初始化设置参数，这个cnn除了最后的fcn，输入，其他架构和training的一模一样。因为参数的数量只和层数，每层的flter的size，channel有关，和输入的size无关，所以可以设置。

当然，在vgg中，作者也采用了googlenet的形式，只不过用了150的crops，然后将这种形式的结果和前文vgg采用的结果取个平均，实验表明，两种方式结合更好。