在Keras中加载与训练大小不同的图像

我在CNN工作，负责超分辨率。我需要从图像中提取补丁，然后在这些小补丁（即41x41）上进行训练

但是，在预测图像时，图像的大小要比面片大。但是Keras不允许我预测比训练图像更大的图像

我读过。我尝试了这种方法，将

None

放入我的网络输入形状，然后加载权重。但是，当谈到这一行时：

c1=PReLU（）（c1）

，我得到一个错误：

nt（）参数必须是字符串、类似字节的对象或数字，而不是“NoneType”

。代码如下所示

我如何解决这个问题？我将Keras与tensorflow后端一起使用。我没有完全连接的层，所有层都是带有relu的Conv2D，除了下面的代码片段，都是c1的PReLU

谢谢

input_shape = (None,None,1)
x = Input(shape = input_shape)
c1 = Convolution2D(64, (3,3), init = 'he_normal', padding='same', name='Conv1')(x)
c1 = PReLU()(c1)
#............................
output_img = keras.layers.add([x, finalconv])
model = Model(x, output_img)

Keras不允许我预测一张比照片更大的照片 训练图像

这是错误的，当网络设计正确时，

keras

允许您这样做

但是，当涉及到这一行：c1=PReLU（）（c1）时，我得到 错误：nt（）参数必须是字符串、类似字节的对象或 编号，而不是“非类型”

由于您的输入形状包含

None

，因此可能会出现此错误。实际上，如果您之前为

PReLU

（默认值

shared\u axes=None

）设置了

shared\u axes=[1,2]

），则不会看到此错误

因此，这里真正的问题是，

PReLU

的参数，以前只为41x41输入设置，但现在被要求为任意输入大小工作

最好的解决方案是直接使用输入shape=

（None，None，3）

训练新模型

---

如果不关心可能的降级，则可以加载预训练模型的所有层权重，但

PReLU

层除外。然后手动计算适当的

PReLU

参数，这些参数可以跨

共享轴=[1,2]

共享，并将其用作新的

PReLU

参数。

Hi，@user36624。谢谢你的回答。您好，如果我将输入形状保持为（41,41,1），但更改PReLU输入参数，即

input\u shape=（41,41,1）

和

c1=PReLU（shared\u axes=[1,2]）（c1）

，然后重新训练网络，这样可以吗？您可以保持

input\u shape=（无，无，1）

。