Python 3.x 如何通过在36x60大小的数据上训练的神经网络预测不同的数据？

我用36x60的眼睛图像训练神经网络。所以我只能用36x60的图像来预测结果？但在我的应用程序中，我有一个视频流，这个流被分为帧，每帧预测68个地标点。在眼睛范围内，我可以选择眼点，并使用OpenCV的“boundingrect”功能，很容易获得裁剪图像。但这张图片没有36x60表格。获取可用于预测的36x60数据的正确方法是什么？或者如何将神经网络用于另一种形式的数据？

神经网络（就我所遇到的）具有固定的输入形状，只允许批量大小的自由。这（可能）适用于你见过的每一个神奇的神经网络。不要太害怕通过现成的采样将图像重塑为网络的预期输入大小。健壮的计算机视觉网络通常是在增强数据上训练的；随机缩放、倾斜或以其他方式变换，以扩大网络处理这种不可避免的缩放情况的能力

当然，还有一些警告。用于预测的输入应尽可能类似于它所训练的数据集，也就是说，模型应应用于它所设计的数据。例如，考虑用于卫星应用的对象检测网络。如果将相同的网络应用于无人机图像，则对象的相对大小可能会大大大于为其设计网络的对象（特别是其锚定框大小）

---

Tl；dr：假设您使用的网络适合您的工作，请不要害怕缩放图像/帧以适应网络输入。

谢谢您提供的信息。你能澄清一些信息吗？缩放框架的最佳方式是什么？e、 我得到的数据是30x20的形状。我是否应该使用face或更好的工具来扩展眼睛的边界，以将“0”填充到36x60？您好！我不确定你的目标是什么，所以我不确定什么最适合你的目的，但是如果你真的想用0填充不需要的像素，那很好；在NLP网络中，总是要填充太短的文本序列。如果它只是你想要的图像的一部分，那么你可以随意裁剪/缩放；可以使用openCV和其他软件包，也可以使用像素索引。例如，如果您希望从人脸图像中获得眼睛，则裁剪是一种方法，因为需要考虑的像素越少，网络运行速度就越快。这回答了你的问题吗？此外，还有来自不同缩放算法的输出示例，尽管它们中的大多数往往会导致类似的网络性能。我个人倾向于用0来代替填充。