我有两个巨大的网格（输入和输出），它们表示同一区域的某些空间数据。我希望通过将输入网格中感兴趣像素周围的小部分输入神经网络，来逐像素生成输出。

训练和评估CNN的简单方法是分别提取各个部分，并将这些部分输入到fit()函数中。但如果CNN操作的子网格是例如输入的256×256区域，那么每个epoch我将复制每个数据点65536（！！！）次。

那么，有没有办法让karas直接使用更大数据结构的子部分进行训练呢？

对我来说，这听起来有点像在数据系列的连续部分上训练RNN，而不是分别复制每个部分。

性能考虑主要是在评估模型的情况下。我想使用这个模型生成一个巨大的地理区域（丹麦）的输出网格，分辨率为12.5厘米

回答：

在我看来，你似乎在寻找一个全卷积网络（FCN）。

通过仅使用随输入大小缩放的层（特别是摒弃密集层的使用），FCN能够生成一个输出，其空间范围与输入成比例增长——通常，输出与输入具有相同的分辨率，就像你的情况一样。

如果你的输入非常大，你仍然可以用子图像训练FCN。然后在推理时，你可以

• 在整个图像上运行网络：确实，有时输入在训练期间太大而无法批处理，但可以在推理时单独输入。
• 或者将输入分割成子图像，并将结果拼接回来。在这种情况下，我可能会使用重叠的瓦片，以避免潜在的边界效应。