Input 对于训练好的卷积神经网络，改变输入形状是否合理_Input_Keras_Neural Network_Generative Adversarial Network

Input 对于训练好的卷积神经网络，改变输入形状是否合理

input keras neural-network

Input 对于训练好的卷积神经网络，改变输入形状是否合理,input,keras,neural-network,generative-adversarial-network,Input,Keras,Neural Network,Generative Adversarial Network,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，但随后将任意大小的图像传递到模型中进行预测，例如在Keras中，该模型使用占位符值（无，无，3）指定，并且可以接受任何大小例如，使用24x24x3输入进行训练，但接受任意大小的图像以调整大小，演示代码使用124x118x3 这是明智的做法吗？当给定一个较大的输入时，网络是否只是在其上滑动一个窗口，应用它在较小尺寸图像上学习到的相同权重？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

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，但随后将任意大小的图像传递到模型中进行预测，例如在Keras中，该模型使用占位符值（无，无，3）指定，并且可以接受任何大小

例如，使用24x24x3输入进行训练，但接受任意大小的图像以调整大小，演示代码使用124x118x3

这是明智的做法吗？当给定一个较大的输入时，网络是否只是在其上滑动一个窗口，应用它在较小尺寸图像上学习到的相同权重？

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种比例），并且可能会给您带来糟糕的结果

另一方面，该模型可以使用多种尺寸/比例进行训练，从而对变化更具鲁棒性

展平

、

重塑

等会出现问题。

只有

globalxpooling2d

和

globalaveragepoolg2d

支持不同的大小

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种比例），并且可能会给您带来糟糕的结果

另一方面，该模型可以使用多种尺寸/比例进行训练，从而对变化更具鲁棒性

展平

、

重塑

等会出现问题。

只有

globalxpooling2d

和

globalaveragepoolg2d

支持不同的大小

你的猜测是正确的。卷积层学习在其内核的尺度上区分特征，而不是在整个图像的尺度上。具有3x3内核的层将学习识别最大3x3像素的特征，并能够识别图像中的该特征，无论图像本身是3x3、100x100还是1080x1920。

您的猜测是正确的。卷积层学习在其内核的尺度上区分特征，而不是在整个图像的尺度上。具有3x3内核的层将学习识别最大3x3像素的特征，并能够识别图像中的该特征，无论图像本身是3x3、100x100还是1080x1920。

内核大小是卷积层“看到”的所有细节，这是一个有用的说明，谢谢。这有点争议。如果训练网络识别多尺度的图像，它将能够处理多种尺寸的图像。（虽然在内部，每个尺度可能会有单独的专用内核）内核大小是卷积层“看到”的所有细节是一个有用的解释，谢谢。这有点争议。如果训练网络识别多尺度的图像，它将能够处理多种尺寸的图像。（尽管内部可能会有单独的专用内核用于每个规模）