#سوال :
آیا میتوان شبکه ای که با ورودی 224 در 224 آموزش دیده را با سایز ورودی دیگری آموزش داد ؟

#پاسخ :
بله. اگر معماری شبکه متشکل از لایه globalAveragePool باشد این کار امکان پذیر میباشد. در این لایه به دلیل نمونه برداری عمقی از لایه کانولوشن مستقل از سایز سطر در ستون کانولوشن بوده و برای مپ کردن به لایه تمام متصل بعدی برخلاف flatten مشکلی ایجاد نخواهد شد
مثال : شبکه resnet

#نحوه انجام کار :
برای تغییر سایز ورودی شبکه ترین شده در keras آن را لود کرده و به صورت زیر سایز ورودی شبکه را تغییر میدهیم.
model = load_model('checkpoint.h5')
input_layer = InputLayer(input_shape=(img_width, img_hight, channel), name="input_1")
model.layers[0] = input_layer
model.save("checkpoint-reshaped.h5")

در نهایت با دستور زیر نیز میتوانید سایز ورودی لایه و تمام لایه های شبکه را مشاهده نمایید
model.summary()

#کاربرد :
1 - ابتدا شبکه را با سایز ورودی کوچک آموزش داده و پس از چند ایپاک که به درصد دقت مناسبی رسیدیم سایز ورودی را بزرگ کرده و ادامه دهیم یا بر عکس.
2 - متناسب با کاربرد مسیله خود شبکه از قبل آموزش دیده روی دیتاست های بزرگ و جامع تر را با سایز ورودی مناسب تر فاین تیون کنیم.
توضیحات بیشتر :
https://www.aparat.com/v/YgEDH

#آموزش

نزدیک یک ماه پیش مهندس قریشی پستی در کانال منتشر کردند که با این سوال شروع شده بود:

آیا میتوان شبکه ای که با ورودی 224 در 224 آموزش دیده را با سایز ورودی دیگری آموزش داد ؟

سایت pyimagesearch پنج روز پیش پستی با عنوان Change input shape dimensions for fine-tuning with Keras منتشر کرده که همین موضوع را توضیح داده است:

Q. Can I fine-tune a CNN on image dimensions *smaller* than what it was originally trained on?
A. Yes, you can!

https://www.pyimagesearch.com/2019/06/24/change-input-shape-dimensions-for-fine-tuning-with-keras/


مطلب مرتبط در کانال:
https://t.me/cvision/1295

روش موثر خواندن مقالات یادگیری ماشین...

این خلاصه از درس Standford CS230 #نحوه_خواندن_مقاله از Andrew ng هست.
روش اول خواندن مقاله به صورت فقط مقاله خداندن و فهمیدن متد:
1- Title/abstract/ figures
2- introduction/ conclusion/ figures/ skim rest
3- read paper but skip the math.
4- read whole paper but skip part that doesn't make sense.

چه چیزی باید از مقاله در بیاوریم:
1- what did authors try to accomplish?
2- what were the key elements of the approach?
3- what can you use yourself?
4- what other references do you want to follow?

روش خوب برای پیدا کردن اخبار مقالات (این مختص مقالات ماشین لرنینگ هست) :
1- Twitter
2- ML sub reddit
3- nips /icml/ iclr
4- friends

🌹🌱💭 روش دوم : یادگیری دیپ پیپر :
1- re-derive from scratch the paper

کد مقاله رو چیکار باید کرد:
1- download and run open source code
2- reimplement it from scratch

مرتبط با:
https://t.me/cvision/1673

🙏Thanks to: @Machinelearning_Kartal