Performance TensorFlow：批量大小可变形状图像的动态尺寸（CNN）

我想知道，在输入图像可能具有不同分辨率的情况下，如何为视觉编码卷积张量流模型

一个廉价的修复方法是使用Python PIL库将它们预先调整到一个足够大的分辨率的正方形，然后将其提供给TensorFlow。但我强烈怀疑有更好的方法来做到这一点。另一种更简单的方法可能是重复使用GPU中的

tf.image.crop\u和_resize

我想到的另一种方法是使用TensorFlow变量名称范围，在每个图像上分别生成相同的模型

批大小

时间，以便接受不同的输入分辨率，每个模型副本使用1的子批大小。我想知道如果这样做，在计算时间和GPU内存大小方面是否会有性能问题

另一种方法是将图像填充到一些桶中，比如句子模型

我还可以训练批量为1的东西，而不是所有这些模型的克隆，但那肯定会非常慢

---

关于如何进行有什么想法吗？关于TensorFlow的表现，是否有任何有助于决策的事实？有没有现有的代码示例？非常感谢

我以为我以前做过，但也许我做了一些不同的事情。如果我弄明白了，我会发布一个新的答案，说明我是如何做到的。批量大小为1的问题是，训练需要更长的时间，但内存大小不会成为问题。举个例子，如果你看一下tensorflow模型git repo，它们有裁剪的例子和调整大小的例子。