Python 处理不同大小的TF输入

我在TF中构建了一个CNN，它接受

输入（shape=（10001000,5））

。这是因为图像是由5个黑白图像组成的堆栈。我所有的样本都是不同地区的空中拍摄，所以原始图像的大小不一（远远大于1000）。然而，TF要求所有输入都具有相同的预先确定的大小，因此我们决定从所有图像中剪切1000个

这显然会丢失很多有用的信息。我正在寻找可能使网络具有动态输入形状的方法，这样可以拍摄所有原始图像。我在网上找到了多个建议，但我发现每个建议都有问题

为每种图像大小（假设我有两种大小）分别创建一个

Input（）

，然后将其卷积成相同的形状张量。问题是，这意味着一个卷积层将不受一半不好的观测值的影响（除非我误解了下面的层是如何工作的）。例如：

#a和b是固定的、不同的图像形状
对于图像输入：
如果image.shape==a：
x=输入（形状=a）
x=conv2d_转置（输出_形状=（1000,1000,5））
其他：
y=输入（形状=b）
y=conv2d_转置（输出_形状=（1000,1000,5））

使用急切的执行。这里我找到的所有示例都是针对固定输入形状的，所以我想不出一种方法来使用它来迭代样本并创建不同的输入。我发现了，但询问者自己回答了，我不能说我真的理解我想要的解决方案

在输入之前调整图像的大小。这是一个特别糟糕的主意，因为调整大小会扭曲图像并丢失大量至关重要的空间元素

---

任何输入（对不起）都将不胜感激。

有没有理由不采用最大可能大小和零焊盘输入？那家伙在你链接的线索里就是这么做的。有点俗气，但这曾经是NLP中的常见做法，并且可以选择在卷积层中进行。

我认为这将是太多的零，图像大小根本不相似。