将调整大小层添加到keras顺序模型

如何将调整大小的图层添加到

model = Sequential()

使用

model.add(...)

---

要将图像的大小从形状（160、320、3）调整为（224、224、3）？

通常情况下，您会使用图层进行此操作：

model.add(Reshape((224,224,3), input_shape=(160,320,3))

但是，由于您的目标维度不允许保存来自输入维度的所有数据（

224*224！=160*320

），这将不起作用。只有在元素数量不变的情况下，才能使用

重塑

如果您对图像中的某些数据丢失感到满意，则可以指定自己的有损重塑：

model.add(Reshape(-1,3), input_shape=(160,320,3))
model.add(Lambda(lambda x: x[:50176])) # throw away some, so that #data = 224^2
model.add(Reshape(224,224,3))

---

这样说，通常这些变换是在将数据应用到模型之前完成的，因为如果在每个训练步骤中都这样做，这实质上是浪费计算时间。

< P>我想你应该考虑使用TysFooSe的ResiZeIsI图层。p>

keras似乎不包括这一点，可能是因为theano中不存在该功能。我已经编写了一个自定义keras层，它也做了同样的工作。这是一个快速的黑客，所以它可能不适合你的情况

import keras
import keras.backend as K
from keras.utils import conv_utils
from keras.engine import InputSpec
from keras.engine import Layer
from tensorflow import image as tfi

class ResizeImages(Layer):
    """Resize Images to a specified size

    # Arguments
        output_size: Size of output layer width and height
        data_format: A string,
            one of `channels_last` (default) or `channels_first`.
            The ordering of the dimensions in the inputs.
            `channels_last` corresponds to inputs with shape
            `(batch, height, width, channels)` while `channels_first`
            corresponds to inputs with shape
            `(batch, channels, height, width)`.
            It defaults to the `image_data_format` value found in your
            Keras config file at `~/.keras/keras.json`.
            If you never set it, then it will be "channels_last".

    # Input shape
        - If `data_format='channels_last'`:
            4D tensor with shape:
            `(batch_size, rows, cols, channels)`
        - If `data_format='channels_first'`:
            4D tensor with shape:
            `(batch_size, channels, rows, cols)`

    # Output shape
        - If `data_format='channels_last'`:
            4D tensor with shape:
            `(batch_size, pooled_rows, pooled_cols, channels)`
        - If `data_format='channels_first'`:
            4D tensor with shape:
            `(batch_size, channels, pooled_rows, pooled_cols)`
    """
    def __init__(self, output_dim=(1, 1), data_format=None, **kwargs):
        super(ResizeImages, self).__init__(**kwargs)
        data_format = conv_utils.normalize_data_format(data_format)
        self.output_dim = conv_utils.normalize_tuple(output_dim, 2, 'output_dim')
        self.data_format = conv_utils.normalize_data_format(data_format)
        self.input_spec = InputSpec(ndim=4)

    def build(self, input_shape):
        self.input_spec = [InputSpec(shape=input_shape)]

    def compute_output_shape(self, input_shape):
        if self.data_format == 'channels_first':
            return (input_shape[0], input_shape[1], self.output_dim[0], self.output_dim[1])
        elif self.data_format == 'channels_last':
            return (input_shape[0], self.output_dim[0], self.output_dim[1], input_shape[3])

    def _resize_fun(self, inputs, data_format):
        try:
            assert keras.backend.backend() == 'tensorflow'
            assert self.data_format == 'channels_last'
        except AssertionError:
            print "Only tensorflow backend is supported for the resize layer and accordingly 'channels_last' ordering"
        output = tfi.resize_images(inputs, self.output_dim)
        return output

    def call(self, inputs):
        output = self._resize_fun(inputs=inputs, data_format=self.data_format)
        return output

    def get_config(self):
        config = {'output_dim': self.output_dim,
                  'padding': self.padding,
                  'data_format': self.data_format}
        base_config = super(ResizeImages, self).get_config()
        return dict(list(base_config.items()) + list(config.items()))

---

可接受的答案使用的图层，其工作原理类似于，可用于将4x4矩阵重塑为2x8矩阵，但这将导致图像丢失位置信息：

0 0 0 0
1 1 1 1    ->    0 0 0 0 1 1 1 1
2 2 2 2          2 2 2 2 3 3 3 3
3 3 3 3

相反，应使用（例如）重新缩放/调整图像数据的大小。 但是要小心正确的和错误！ 如中所示，这可用于lambda层：

model.add( keras.layers.Lambda( 
    lambda image: tf.image.resize_images( 
        image, 
        (224, 224), 
        method = tf.image.ResizeMethod.BICUBIC,
        align_corners = True, # possibly important
        preserve_aspect_ratio = True
    )
))

---

在您的情况下，由于您有一个160x320图像，您还必须决定是否保持纵横比。如果要使用预先训练过的网络，则应使用与训练过的网络相同的大小调整。

修改@KeithWM的答案，添加输出比例，例如输出比例=2表示输出是输入形状的2倍：）

---

要将给定输入图像调整为目标大小（在本例中为224x224x3），请执行以下操作：

在常规KERA中使用Lambda层：

from keras.backend import tf as ktf

inp = Input(shape=(None, None, 3))

---

[Ref:：

我不明白你关于计算时间的说法。每个图像都必须进行一次重塑。如果之前进行过重塑，而不是作为模型管道的一部分进行重塑，会有什么不同？如果只训练模型一次，则不会有什么不同（如果我们不考虑这些操作在GPU上是否更快）。但只要您对模型进行两次训练并多次计算重塑，您就会从一次操作中获益，将结果缓存到文件中（numpy save或PICKER）问题是关于调整大小，而不是调整形状。在调整形状中，数组的总大小必须保持不变，这对于调整大小是不正确的。Frome Keras函数注释：“如果输出形状的总数组大小与输入形状不同，或者指定了多个未知维度，则会引发值错误。”我很确定这是一个坏主意。建议的重塑将使输入数据中的所有空间结构松散。此外，如果输入层和输出层的大小（元素总数）非常不同，则所产生的损失将非常大。我对此投了反对票，因为这个问题几乎肯定是在寻找图像下采样/上采样/插值，而不是像你建议的那样进行张量重塑。在我的例子中，我仍然得到错误：

TypeError：模型的输出张量必须是Keras张量。发现：张量（“ResizeBilinear_1:0”，shape=（？，224224，224，3），dtype=float32）

@VadymB.您使用的是哪个后端，以及Keras的哪个版本？您确定为层提供了正确的输入吗？Keras 2.0.6.我已经发现了一个问题，我使用的是

tf.image.resize\u images

并且我必须将其放入

Keras.layers.Lambda

@VadymB.不是为了对该线程进行死灵术，而是当您放入该线程时在lambda层中，你能成功地调用“fit”或“fit_generator”吗？你能发布你是如何做到的吗？我断断续续地处理一个类似的问题已经好几天了，在安装过程中仍然会出现错误…谢谢！@Decker，它过去是有效的，但不幸的是我没有使用此函数的工作代码。对于我的用例，我使用了事件在仍然使用Lambda层的情况下，手动切换到

tf.depth\u to\u space

。下面是伪代码：```def custom\u fun（input，k=2，**kwargs）：导入tensorflow作为tf返回tf.depth\u to\u space（input，block\u size=k）input=input（…）…out=Lambda（custom\u fun）（input）“这是一个很好的方法，但公认答案的问题不是它“丢失了位置信息”——而是它完全做了错事，“丢失位置信息”只是一个症状。

from keras.backend import tf as ktf

inp = Input(shape=(None, None, 3))