Классификация больших изображений

batch_size = 12
# Количество классов изображений
nb_classes = 3
# Количество эпох для обучения
nb_epoch = 1
# Размер изображений
img_rows, img_cols = myImageSize, myImageSize
# Количество каналов в изображении: RGB
img_channels = 3
 
# Нормализуем данные
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
 
# Преобразуем метки в категории
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)
 
# Создаем последовательную модель
model = Sequential()
# Первый сверточный слой
model.add(Conv2D(8, (myConvSize, myConvSize), padding='same',
                        input_shape=(myImageSize, myImageSize, 3), activation='relu'))
# Второй сверточный слой
model.add(Conv2D(8, (myConvSize, myConvSize), activation='relu', padding='same'))
# Первый слой подвыборки
model.add(MaxPooling2D(pool_size=(2, 2)))
# Слой регуляризации Dropout
model.add(Dropout(0.25))
 
# Третий сверточный слой
model.add(Conv2D(16, (myConvSize, myConvSize), padding='same', activation='relu'))
# Четвертый сверточный слой
model.add(Conv2D(16, (myConvSize, myConvSize), activation='relu'))
# Второй слой подвыборки
model.add(MaxPooling2D(pool_size=(2, 2)))
# Слой регуляризации Dropout
model.add(Dropout(0.25))
# Слой преобразования данных из 2D представления в плоское
model.add(Flatten())
# Полносвязный слой для классификации
model.add(Dense(512, activation='relu'))
# Слой регуляризации Dropout
model.add(Dropout(0.5))
# Выходной полносвязный слой
model.add(Dense(nb_classes, activation='softmax'))
 
# Задаем параметры оптимизации
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy'])
# Обучаем модель
model.fit(X_train, Y_train,
              batch_size=batch_size,
              epochs=nb_epoch,
              validation_split=0.1,
              shuffle=True,
              verbose=2)