如何在不下采样的情况下处理如此大的图像尺寸？

我假设通过下采样意味着在将输入传递到 CNN之前按比例缩小输入。卷积层允许通过选择较大的步幅来对网络中的图像进行下采样，这将为下一层节省资源。事实上，这就是它必须做的，否则你的模型将不适合 GPU。

1. 是否有任何技术来处理要训练的如此大的图像？

通常研究将图像缩放到合理的大小。但如果这不是你的选择，你需要限制你的 CNN。除了在早期层进行下采样外，我建议您摆脱 FC 层（通常采用大部分参数）以支持卷积层。此外，您还必须在每个时期流式传输您的数据，因为它不适合您的 GPU。

请注意，这些都不会阻止早期层的繁重计算负载，这正是因为输入如此之大：卷积是一项昂贵的操作，并且第一层将在每次前向和后向传递中执行大量此类操作。简而言之，训练会很慢。

2. 使用什么批量大小是合理的？

这是另一个问题。单个图像需要2400x2400x3x4大约 70Mb（每个像素 3 个通道和 4 个字节），因此即使批量大小为 10 也几乎无法承受。更现实的是 5。请注意，大部分内存将由 CNN 参数占用。我认为在这种情况下，通过使用 16 位值而不是 32 位来减小大小是有意义的——这样你就可以将批次加倍。

3. 是否有任何预防措施，或者我可以做的硬件资源的增加和减少？

您的瓶颈是 GPU 内存。如果你能买得起另一个 GPU，那就买它并在它们之间拆分网络。与 GPU 内存相比，其他一切都微不足道。

通常对于图像，特征集是像素密度值，在这种情况下，它将导致相当大的特征集；也不建议对图像进行下采样，因为您可能会丢失（实际上会）丢失重要数据。

[1] 但是有一些技术可以帮助你减少特征集的大小，像 PCA（主成分分析）这样的方法可以帮助你选择重要的特征子集。

有关详细信息，请参阅链接http://spark.apache.org/docs/latest/ml-features.html#pca。

[2] 除了在训练神经网络时减少计算费用之外，您还可以使用随机梯度下降，而不是传统的梯度下降方法，这将减少每次迭代训练所需的数据集大小。因此，在一次迭代中使用的数据集大小会减少，从而减少训练网络所需的时间。

要使用的确切批次大小取决于您对训练数据集和测试数据集的分布，更一般的用途是 70-30。您还可以使用上述随机方法来减少所需时间。

随机梯度下降的详细信息http://scikit-learn.org/stable/modules/sgd.html

[3] 硬件似乎需要升级，但如果需要，请查看 AWS 等云解决方案，您可以获得免费帐户订阅，直至使用限制。

如此大的数据无法加载到您的内存中。让我们把你能做的事情分成两部分：

1. 将所有图像重新缩放为更小的尺寸。您可以将它们重新缩放为 112x112 像素。在您的情况下，因为您有一个方形图像，所以不需要裁剪。您仍然无法将所有这些图像加载到您的 RAM 中。

2. 最好的选择是使用生成器函数来批量提供数据。请参考 Keras 中使用fit_generator的用法。如果您的模型参数变得太大而无法放入 GPU 内存，请考虑使用批量归一化或使用残差模型来减少参数数量。