Python 3.x MobileNetV2如何为不同的自定义输入形状提供相同数量的参数？

我将遵循tensorflow2，使用MobileNetV2作为基础架构进行精细调整和迁移学习

我注意到的第一件事是，预训练的“imagenet”权重的最大输入形状是（2242243）。我尝试使用自定义形状（640640，640，3），根据文档，它给出了一个警告，说明（224224，224，3）形状的权重已加载

因此，如果我加载这样的网络：

import tensorflow as tf

tf.keras.backend.clear_session()
def create_model():
  base_model = tf.keras.applications.MobileNetV2(input_shape=(640,640,3),
                                include_top=False)
  x = base_model.output
  x = tf.keras.layers.GlobalAveragePooling2D()(x)
  x = tf.keras.layers.Dense((1), activation='sigmoid')(x)
  x = tf.keras.Model(inputs=base_model.inputs, outputs=x)
  x.compile(optimizer=tf.keras.optimizers.RMSprop(lr=0.0001),
                         loss='binary_crossentropy',
                         metrics=[tf.keras.metrics.BinaryAccuracy()])
  return x

tf_model = create_model()

它发出警告：

WARNING:tensorflow:`input_shape` is undefined or non-square, or `rows` is not in [96, 128, 160, 192, 224]. Weights for input shape (224, 224) will be loaded as the default.

如果我尝试使用（224224，224，3）这样的输入形状，则警告消失，然而，我尝试使用

tf_model.summary()

并发现可训练参数的数量是相同的

Total params: 2,259,265
Trainable params: 2,225,153
Non-trainable params: 34,112

---

即使卷积滤波器的数目大小根据自定义输入形状而改变。那么，即使卷积滤波器具有更大的（空间）大小，参数的数量如何保持不变呢？

在更详细地检查之后，参数的数量似乎取决于内核大小和每个卷积层的滤波器数量，以及最终完全连接层上的神经元数量，以及由于中间的批量规范化层而产生的神经元数量

由于这些方面都不取决于输入图像的大小，即，每个卷积层的输出中的空间分辨率可能会改变，但是卷积核的大小仍然是相同的（例如3x3x3），因此，参数的数量也将是固定的

---

这种网络（即卷积神经网络）的参数数量与输入的空间大小无关。但是，通道数（例如，RGB彩色图像中的3个通道）必须正好为3。

您是对的。conv参数的数量仅取决于内核的大小、特定层的通道数和层的总数

但是，更改输入分辨率（此处为640x480x3）时的问题是，fc层之前的最后一层的尺寸与224x224x3的网络尺寸不同。因此，它不能像现在这样兼容

为什么?

输入分辨率为224x224x3的示例：

第1层步幅=2，因此第1层的输出为112x112x32

第二层步幅=2，因此第二层的输出为56x56x16

第三层步幅=1，因此第三层的输出为56x56x32

等等

步幅会影响中间要素贴图的分辨率。 如果使用640x480x3输入分辨率，最后一层会更大，因此FC层不兼容。 您应该将从香草模型（分辨率为224x224）学习到的卷积权重传输到与640x480x3输入数据兼容的新convnet