Image processing Caffe：可变输入图像大小

我正在试用利用Caffe的谷歌。 他们使用ModelZoo提供的在ImageNet上预先培训过的GoogLeNet模型。这意味着网络是在裁剪成224x224像素大小的图像上训练的。从：

用于处理的还定义了大小为224x224x3x10的输入层（大小为224x224的RGB图像，大小为10）

但是，我可以使用该网络处理任何大小的图像（上面的示例使用了1024x574像素中的一个）

不将caffe配置为使用裁剪

中的预处理只会贬低，这里也不会裁剪

我怎么可能在对输入层来说太大的图像上运行呢

---

---

可以找到完整的代码

DeepDream根本不会裁剪输入图像。
如果你仔细观察，你会注意到它是在一个中间层上运行的：它的

end=

参数设置为

'inception\u 4c/output'

或

end='inception\u 3b/5x5\u reduce'

，但决不会

end='loss3/classifier'

。这是因为这些层的GoogLeNet是一个完全卷积的网络，也就是说，它可以获取任何大小的输入图像，并生成与输入大小成比例的输出（输出大小通常受conv填充和池的影响）

要将网络调整到不同大小的输入，功能

deepdream

具有以下行

src.reshape(1,3,h,w) # resize the network's input image size

---

这条线调整网络层以适应形状输入

（1,3，h，w）

啊，这当然很有道理！这是否意味着，如果我删除所有完全连接的层，我还可以在任意大小的图像上训练生成的网络架构？如果我实现了一个聪明的批处理？@Zakum你会如何将单个标签丢失与任意大小的预测联系起来？正如你可能已经注意到的，我刚刚开始尝试解决这个问题。^^最后一个Softmax层不会完成这项工作吗？@Zakum“Softmax”会弥补损失，但是你如何训练具有固定大小输出的分类器呢？为了便于文档记录：

global\u pooling=1

在一个池层中，然后是一个卷积层，其

num\u output=1

，这就是我最终的回归。Caffe还支持开箱即用培训期间任意大小的输入。只需要使用相同大小输入的批，或者咬紧牙关使用1的批大小。

name: "GoogleNet"
input: "data"
input_shape {
  dim: 10
  dim: 3
  dim: 224
  dim: 224
}

src.reshape(1,3,h,w) # resize the network's input image size