我正在尝试为Sentinel图像构建一个土地覆盖分类模型。我使用的图像通道（波段）是32位浮点数。

我需要了解如何最好地格式化图像数据，包括用于训练的芯片/补丁和用于分类的目标图像。我有一些问题：

1. 我需要将原始图像和训练芯片从32位转换为其他深度吗？
2. 我需要确保训练芯片/补丁和目标图像具有相同深度（无论是32位、16位还是其他）吗？
3. 我需要重新调整我的数据吗？我看到一些论文中数据被重新调整到0-1或0-255之间？
4. 数据深度是否影响学习和预测的性能？

回答：

在个人电脑上使用的最佳精度是float32，因为许多原因，比如更高的精度使得计算更加准确，这更好，但不知为何float16在PC上比float32慢（我不记得为什么了），而float64在普通机器上慢得无法使用。

所以

1. 通常你无论如何都需要使用float32作为输入。所以如果它最初就是float32，就直接使用它。

2. 是的，但我认为它们都会在fit或predict过程中转换为所需的精度，这在$HOME/.keras/keras.json中设定。

3. 我认为这不是必须的，但标准化后的重新调整有助于收敛，不过，谷歌通常简单地将数据重新调整到-1到1之间。

4. 确实如此，但正如我所说，更高的精度提供了更好的准确性，但速度更慢。