我一直在训练一个神经网络，用于识别手写纸张和绘图纸张之间的差异。我的图像尺寸都是(3508, 2480)，我使用CNN来完成这项任务，问题是训练花费的时间太长了。我有30,000张数据，分为两类，并分为验证和训练集，因此我有：
- 13650张手写段落的训练图像
- 13650张绘图的训练图像
- 1350张绘图的验证图像
- 1250张绘图的验证图像
如果你想查看我的架构，这里是我的
这是我的代码：
import tensorflow as tfimport osimport matplotlib.pyplot as pltimport matplotlib.image as mpimgimport numpy as npfrom google.colab import drivedrive.mount('/content/drive')l0 = tf.keras.layers.Conv2D(32, (60,60), activation='relu', input_shape=(438, 310, 1), name='input')l1 = tf.keras.layers.Dropout(.3)l2 = tf.keras.layers.BatchNormalization()l3 = tf.keras.layers.MaxPool2D(pool_size=(2,2),padding='same')l12 = tf.keras.layers.Flatten()l16 = tf.keras.layers.Dense(32, activation='relu')l17 = tf.keras.layers.Dropout(.5)l18 = tf.keras.layers.BatchNormalization()l22 = tf.keras.layers.Dense(1, activation='sigmoid', name='output')from keras.preprocessing.image import ImageDataGeneratortrdata = ImageDataGenerator(rescale=1/255)traindata = trdata.flow_from_directory("/content/drive/MyDrive/Sae/TesisProgra/DataSets/ParagraphsVsDrawings/Paste/0_Final/Training",target_size=(438, 310), color_mode="grayscale", batch_size=250)valdata = ImageDataGenerator(rescale=1/255)validationdata = valdata.flow_from_directory("/content/drive/MyDrive/Sae/TesisProgra/DataSets/ParagraphsVsDrawings/Paste/0_Final/Validation",target_size=(438, 310), color_mode="grayscale", batch_size=250)from keras.callbacks import ModelCheckpoint, EarlyStoppingcheckpoint = ModelCheckpoint("ParagraphsVsDrawings.h5", monitor='val_accuracy', verbose=1, save_best_only=True, save_weights_only=False, save_freq='epoch', mode='auto')history = model.fit(traindata, validation_data=validationdata, validation_steps=10,epochs=20, verbose=True, callbacks=[checkpoint])我在使用Google Colab PRO进行训练，并启用了TPU和大内存选项
我之前训练过CNN，它们训练得非常快，我不知道是不是因为我的图像太大，也许我可以尝试用pillow调整大小，但我现在真的迷失了方向，我已经等了12个小时，它还在第一轮训练
回答：
你的卷积核大小60×60相当大。尝试使用3×3或5×5的卷积核。看起来图像大小不是问题，因为你已经从(3508, 2480)调整到了(438, 310)。
另外，请注意你的权重数量非常非常大，大约有2400万个。这是因为你将一个(189, 125, 32)形状的数组展平，然后下一层（Dense层）有32个单元，所以那一层有189 * 125 * 32 * 32个权重。这将需要非常非常长的时间来训练。
尝试再添加一到两个卷积层和池化层，以便展平后的权重数量可以管理。
