如何在不同大小的图像上训练keras模型

如何在不同大小的图像上训练模型。我的模型包含的输入图像大小为（无，无，3）。但是如何在不同的图像尺寸上训练模型呢

---

注：我的目标是使用深度学习执行图像压缩。通过考虑编解码器对自动编码器进行排序。

选择一致的大小来训练模型： 使用足够大的尺寸以保持特征的可区分性，但不要太大，以免模型尺寸变得难以识别

均匀缩放输入，使最长的一面最大化，以适合目标尺寸，并用黑色或白色填充较短的一面，使图像成为目标尺寸

使用最终缩放/填充的图像训练模型

虽然填充会引入一些偏差，特别是在边界边缘上，但特征选择层应该会发现较大的纯色区域不感兴趣，并且对最终权重的影响最小

---

您可以通过对每个图像进行两次训练，将填充移动到另一侧进行第二次训练，来减少偏差。这将有助于改进模型的平移公差，使其在更高层次上的过度拟合概率略高。

如果我们用某种颜色填充图像，则模型将更偏向于该颜色。我的目标实际上是使用深度学习技术进行一点图像压缩。我编辑了这篇文章，以减少偏见。对于压缩，我怀疑任何通用的CNN/DNN都会优于传统的（RLE、小波、降比特）压缩。专门的去噪DNN已经被创建来实现英伟达RTX实时射线跟踪特征，但是这些都具有固定的输入空间，每个DNN模型，以及在已知的线性空间中操作。