在Keras中，imagenet预训练模型如何处理与原始224x224输入大小不同的输入大小？
由于预先训练的模型是在具有特定宽度和高度的ImageNet图像上训练的，Keras模型（例如ResNet50）如何允许不同的输入大小 我也想知道“197”这个神奇数字的来源： input_shape：可选的形状元组，仅在include_top为False时指定（否则输入形状必须为（224，224，3）（使用“channels_last”数据格式）或（3，224，224）（使用“channels_first”数据格式）。它应该正好有3个输入通道，宽度和高度不得小于197。例如，（200，200，3）将是一个有效值在Keras中，imagenet预训练模型如何处理与原始224x224输入大小不同的输入大小？,keras,Keras,由于预先训练的模型是在具有特定宽度和高度的ImageNet图像上训练的，Keras模型（例如ResNet50）如何允许不同的输入大小 我也想知道“197”这个神奇数字的来源： input_shape：可选的形状元组，仅在include_top为False时指定（否则输入形状必须为（224，224，3）（使用“channels_last”数据格式）或（3，224，224）（使用“channels_first”数据格式）。它应该正好有3个输入通道，宽度和高度不得小于197。例如，（200，200，3
首先，当您将其指定为false时，您必须关注include_顶部部分，您选择不包括完全连接的层，并且在如何使用模型方面有更多的自由，因为您可以重新训练（或只是重新调整权重）模型 当你看到像resnet50这样的深度学习模型， 您会注意到，离模型输入越近的层越抽象，在层的每个块上，它将捕获像轮廓这样的特征，并且图像大小的增加不会对网络这一部分的结果产生太大影响 最重要的层将位于模型的末端（或keras在这里称为顶部），您应该集中训练，这就是为什么在使用include_top=false时可以更改输入大小，以便您可以将FC层重新调整到适当的大小 关于这个神奇的数字，我不是很确定，但我猜这是因为这个模型很大，每次它进行池化时，它都会减小图像大小，而197将是最后不带大小0的限制
如果你看一看页面，你会看到一组新类上的微调接收v3，你会看到一个很好的例子，它只重新训练初始模型中的最后两个块，但保留顶部的块不变。我很有信心197来自卷积和池层的数量。这是最小的大小t在维护体系结构时可以采取的措施。例如，在200x200图像上，跨步为1的3x3卷积将具有198x198的输出形状，而另一个2x2 max pool将具有99x99的输出。等等。Keras允许您在“include_top”时更改输入大小为False，因为这意味着您计划在不同的任务（使用不同的输入；）上重新训练网络
如果没有，您必须通过相应网络的原始接受输入。197是特定网络仍然与以下层兼容的接受下限。这对于每个模型都是不同的。我不认为有
input\u topinclude\u top