Python 批次大小为1的tensorflow中的不同图像大小

我想实现一个python类，它可以加载一个

tensorflow模型

，并实现一个推理。但是，我不知道如何输入具有可变图像大小的图像：(

现在我只使用了

tf.placeholder（tf.float32，shape=（1512512,3））

,， 但我的图像有不同的大小（如1000*900）

如何实现此功能？ 多谢各位

编辑：

谢谢大家。我已经通过使用解决了问题：

x=tf.placeholder（tf.string）
img=tf.image.decode\u jpeg（x，通道=3）

---

这可以为具有不同图像大小的网络（my

ConvNet

包括许多

conv2d

和

conv2d\u-Transpose

）提供信息。

基本上，您可以定义不同大小的输入，如下所示

self.x = tf.placeholder(tf.float32, [1, None, None, 3]) 

然后你可以输入不同的信息

feed_dict={self.x: current_data} etc..

但是要注意你的神经网络结构。如果将最后一个conv层展平作为第一个密集层的输入，则网络仅在该大小下工作，您需要拉伸或裁剪图像以使其工作

---

一种更灵活的方法是使用类似于或的东西来解决这个问题

您可以将它们作为jpeg字符串输入tensorflow，并使用decode jpeg op来实施统一大小的想法。非常感谢，我会尝试。此维度是批大小。这无助于按要求获得不同的图像大小。可以让占位符匹配每个单独的图像大小，但是，正如您所提到的，网络结构应该能够处理各种输入大小。它通常用于批量大小定义，但完全取决于您。。。由于可以在之后使用tf操作调整\crop image的大小，因此您可以简单地使用None（无）向图形提供不同大小的图像。无论如何，我更喜欢分割数据处理和NN使用。我只关心不同的图像大小（而不是批量大小）。我通过使用

img=tf.placeholder（tf.string）``image=tf.image.decode\u jpeg（img，channels=3）

@AlexJoz这是tensorflow的inception5h模型上使用的吗？它用于tf的deepdream教程，并采用可变输入大小

feed_dict={self.x: current_data} etc..