如何使用notop层在tensorflow中进行微调，并定义自己的输入图像大小

有许多关于如何使用tensorflow进行微调的示例。几乎所有这些示例都试图将图像调整为现有模型所需的指定大小。例如，224×224是vgg19需要的输入大小。但是，在keras中，我们可以通过将include_top设置为false来更改输入大小：

base\u model=VGG19（包括\u top=False，weights=“imagenet”，input\u shape=（input\u size，input\u size，input\u channels））

---

然后，我们不必再将图像大小固定为224×224。我们可以通过使用tensorflow中经过正式预训练的模型来进行这种微调吗？到目前为止我还找不到解决方案，有人帮我吗？

是的，可以进行这种微调。除了最后几层（考虑更改的输出）之外，您还必须确保对原始网络的前几层（考虑更改的输入）进行微调

我使用Keras处理TensorFlow。如果您对此持开放态度，那么这里有一个代码片段显示了一般的微调流程：

具体来说，我必须编写以下代码才能使其适用于我的案例：

#img_width,img_height is the size of your new input, 3 is the number of channels
input_tensor = Input(shape=(img_width, img_height, 3))
base_model = 
keras.applications.vgg19.VGG19(include_top=False,weights='imagenet', input_tensor=input_tensor)
#instantiate whatever other layers you need
model = Model(inputs=base_model.inputs, outputs=predictions)
#predictions is the new logistic layer added to account for new classes

希望这有帮助