Deep learning 在Keras中使用预训练CNN输入维度进行迁移学习

我想尝试使用Keras库提供的一些预先训练好的CNN模型（例如Exception、ResNet50等）进行特征提取。我试图找出我的数据集的输入维度是否需要与用于训练原始CNN的图像的维度相匹配

比如,；我是否应该使用在210x210 RGB图像上预先训练过的网络模型，这是否意味着如果我想使用它进行特征提取，网络将只处理相同维度的图像（即（210，210，3））？还是在这方面有一些灵活性

---

尝试搜索Google并查看Keras文档，但是找不到关于这个问题的明确答案！非常感谢在这方面有经验的人的任何意见。

是的，没有灵活性。（但看看Matias Valdenegro的回答）

Keras模型使用静态定义的维度

例如，更改维度意味着更改以下卷积层的所有结果维度，以及更改所有密集层的权重量。（那么，如何处理新的或丢失的权重？它们将影响计算）

如果一个模型是纯卷积的，也许你可以用不同的尺寸手动模拟它的结构，复制它的权重，计算出新的输出形状并尝试使用它（这可以通过

include_top=False

实现，就像Matias Valdenegro的回答一样）。但是如果是一个分类模型，你会遇到一个问题，因为要么它们在最后使用密集层，要么它们的最终卷积层需要以固定的大小结束分类

但即使在纯卷积的情况下，如果模型没有训练到图像中各种不同大小和位置的对象，它也可能失去识别事物的能力，因为它的卷积滤波器正在搜索以像素为单位的固定大小的特征

---

您可以采取以下措施来解决此问题：

• 填充输入以满足必要的大小：模型必须经过良好的训练，不要对图像中巨大的黑暗区域发狂，以为它们意味着什么
• 将输入划分在图片的较小区域，可能有一点重叠（以避免将对象一分为二，然后使模型无法识别）。然后正确地连接各个输出

---

不，这是可能的，您可以更改预训练模型的

输入形状。甚至在keras.aplications中也提到了这一点

在自定义输入张量上构建InceptionV3

from keras.applications.inception_v3 import InceptionV3
from keras.layers import Input

# this could also be the output a different Keras model or layer
# this assumes K.image_data_format() == 'channels_last'
input_tensor = Input(shape=(224, 224, 3))  

model = InceptionV3(input_tensor=input_tensor, weights='imagenet',
                    include_top=False)

请注意，如果要使用图像大小不同于训练图像的模型，必须将
include_top
设置为
False
，因为模型的完全连接层仅限于接受具有正确维度的特征，由原始训练图像大小生成的图像。
我想你指的是《盗梦空间》，不例外。或者可能是例外。有趣的答案——我看到
include\u top=False
使这些模型完全卷积（去掉最后的密集层）。