Keras 更改VGG16应用程序的输入张量形状

我想将形状（160320,3）的图像馈送到

---

我怎样才能包括一个将图像重塑为VGG16模型所期望的形状的层，即（224,3）？

VGG16

模型本身只是固定层序列和固定卷积内核大小等的一组权重。这并不意味着这些卷积内核不能应用于其他大小的图像

例如，在您的案例中：

from keras.models import Model
from keras.layers import Dense,Flatten
from keras.applications import vgg16
from keras import backend as K

model = vgg16.VGG16(weights='imagenet', include_top=False, input_shape=(160,320,3))
model.summary(line_length=150)

flatten = Flatten()
new_layer2 = Dense(10, activation='softmax', name='my_dense_2')

inp2 = model.input
out2 = new_layer2(flatten(model.output))

model2 = Model(inp2, out2)
model2.summary(line_length=150)

根据最小图像大小可以是

48x48x3

以上任何值都可以

---

现在，在

224224,3

形状的图像上学习原始权重是正确的，但是过滤器权重对于具有新图像集的新任务来说是非常好的起点。您确实需要重新训练网络，但网络会很快收敛。这是迁移学习的基础

您需要做两件事：

通过为图像宽度和高度定义None，显式声明输入形状具有可变大小的输入

不要使用flatte（），因为它依赖于固定的输入形状。相反，使用GlobalMapooling，它不仅可以进行自适应池，还可以使FC处理的输入张量平坦化

我希望这将帮助您实现您想要的。

您可以使用Opencv库的resize（）函数

 import cv2
    width = int(224)
    height = int(224)
    dim = (width, height)
    '''images contains original dimension image array'''
    resized_images=[]
    for i in range(0,images.shape[0]):
           resized = cv2.resize(images[i], dim, interpolation = cv2.INTER_AREA)
           resized_images.append(resized)

---

这种方法人为地增加了计算成本，但对学习能力没有太多或任何好处。据我所知，插值像素不会增加任何值。

 import cv2
    width = int(224)
    height = int(224)
    dim = (width, height)
    '''images contains original dimension image array'''
    resized_images=[]
    for i in range(0,images.shape[0]):
           resized = cv2.resize(images[i], dim, interpolation = cv2.INTER_AREA)
           resized_images.append(resized)