背景：我正在使用研究人员开发的称为 Dual Pyrimad Graph 的神经网络架构来执行网格分割任务。网络期望输入有 6 个值：XYZ 和 RGB。我正在我的数据上训练网络形式 0，因为网络权重不可用，因此没有迁移学习。
问题：我的数据缺少颜色，只有 XYZ 可用。我试图更改网络层架构以匹配我的输入，但意识到这是一项乏味的任务，因为编写它的人是在 Jittor 中而不是 Pytorch 或 TensorFlow 中完成的。我想也许我可以将 3 个颜色通道上的颜色全部设为 0 或全部设为灰色 127。我不会更改输入，为其添加 1 种颜色。我想如果我这样做的话，学习不会受到太大影响。当然，与他们的彩色数据相比，我可以获得较低的准确度，但我一开始就没有颜色。
问题：与更改网络以适应数据相比，此解决方案将如何影响我的训练？因为我有更多的输入特征（尽管都是相同的值），学习会变得更慢吗？
通过将 RGB 数据设置为默认/常量值，与“原始”解决方案相比，您很可能会遇到性能下降，因为您的数据质量较差。事实上，您的模型会比仅使用 XYZ 数据的模型慢，因为它有更多参数。