input - 改变训练好的卷积神经网络的输入形状是否合理

Question

我见过许多超分辨率网络，它们似乎暗示可以在 (x,y,d) 的输入上训练网络，然后将任意大小的图像传递到预测模型中，在 Keras 中example 使用占位符值 (None,None,3) 指定，并且将接受任何大小。

例如https://github.com/krasserm/super-resolution在 24x24x3 的输入上进行训练，但接受任意大小的图像进行调整，演示代码使用 124x118x3。

这是一个理智的做法吗？当给定较大的输入时，网络是否只是在其上滑动一个窗口，并应用与在较小尺寸图像上学到的相同的权重？

标签： inputkerasneural-networkgenerative-adversarial-network

Answer 1

卷积绝对没有问题，它们将完全按照预期工作，具有相同的权重、相同的内核大小等。

唯一可能的问题是：模型可能没有学习到图像的新比例（因为它以前从未见过这个比例）并且可能会给你带来糟糕的结果。

另一方面，模型可以用多种尺寸/尺度进行训练，对变化变得更加稳健。

---

Flatten,Reshape等会有问题。
仅支持不同的大小GlobalMaxPooling2D。GlobalAveragePooling2D