Tensorflow 改变TF 2.3和TF.keras中的完全卷积网络输入形状

我正在使用tensorflow 2.3和

tf.keras

我用输入的shape

（None，120120,12）

训练了一个图像网络。实际上，由于一个编码错误，我还能够训练模型，同时将输入声明为

（None，128128,12）

，同时输入

（None，120120,12）

批。TF只是打印了一条警告，并不在意。这不是以前版本中的行为。我的网络只有卷积层，如果考虑到深度，输入大小有足够的2次幂，它提供与输入形状相同的输出图像，它只有卷积层

---

我终于完全训练了这个模型，我想把它也应用到不同形状的图像上。有没有合适的方法来改变我训练过的模型的输入形状？或者我应该定义一个新模型，然后逐层复制权重？还是我应该忘记它，接受警告，忘记它们，因为它无论如何都能工作？

啊。你又来了。我认为你的问题基本上很简单。使用输入大小训练模型后。如果要运行模型，输入必须是相同的形状。但是，如果您想利用经过培训的模型，并且认为所学的功能没有太大不同，那么您可以应用transferlearning，当然，可以再次对其进行再培训。您不必复制权重，只需冻结模型并只训练输入和输出。您可以使用VGG检查一些基本示例

base_model = tensorflow.keras.applications.VGG19(
        weights='imagenet',  # Load weights pre-trained on ImageNet.
        input_shape=(224, 224, 3),
        include_top=False)
base_model.trainable = False

inputs = layers.Input(shape=150,150,3)
x = base_model(inputs, training=False)
x = keras.layers.GlobalAveragePooling2D()(x)
outputs = keras.layers.Dense(1)(x)
model = keras.Model(inputs, outputs)
model.summary()
Model: "model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_4 (InputLayer)         [(None, 150, 150, 3)]     0         
_________________________________________________________________
vgg19 (Model)                multiple                  20024384  
_________________________________________________________________
global_average_pooling2d (Gl (None, 512)               0         
_________________________________________________________________
dense (Dense)                (None, 1)                 513       
=================================================================

---

啊。你又来了。我认为你的问题基本上很简单。使用输入大小训练模型后。如果要运行模型，输入必须是相同的形状。但是，如果您想利用经过培训的模型，并且认为所学的功能没有太大不同，那么您可以应用transferlearning，当然，可以再次对其进行再培训。您不必复制权重，只需冻结模型并只训练输入和输出。您可以使用VGG检查一些基本示例

base_model = tensorflow.keras.applications.VGG19(
        weights='imagenet',  # Load weights pre-trained on ImageNet.
        input_shape=(224, 224, 3),
        include_top=False)
base_model.trainable = False

inputs = layers.Input(shape=150,150,3)
x = base_model(inputs, training=False)
x = keras.layers.GlobalAveragePooling2D()(x)
outputs = keras.layers.Dense(1)(x)
model = keras.Model(inputs, outputs)
model.summary()
Model: "model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_4 (InputLayer)         [(None, 150, 150, 3)]     0         
_________________________________________________________________
vgg19 (Model)                multiple                  20024384  
_________________________________________________________________
global_average_pooling2d (Gl (None, 512)               0         
_________________________________________________________________
dense (Dense)                (None, 1)                 513       
=================================================================

---

不，输入不必是相同的形状。事实上，现在在TF2.3中，我可以在128x128上训练一个模型，它将在256x256上运行，只需一个警告（而且精度很高）。我没有任何致密层，所以没有尺寸不匹配。我已经多次阅读了您在这里提供的链接，但它只适用于keras提供的模型，而我有自己的模型！好的精度是奇怪的，但根据你的模型没有密集的层，所以它是合理的。然而，正如我刚才所建议的，利用冻结模型而不是逐层复制更好，我有理由期望针对我的问题获得适当的精度（固定像素大小的显微镜，128x128是补丁，256x256是整个图像）。但这与编程基本无关。那么，我如何“冻结”我的模型呢。在推断过程中，权重不会得到更新。我找不到一种方法来表示更改任意模型的模型输入大小。您只需要声明一个具有不同形状的输入层，并将其与您选择的冻结层连接。您可以选择一系列要冻结的层：

用于vgg_conv.layers[：]：layer.trainable=False

我给您的链接是一个使用不同iputI重用模型的示例，我很容易理解如何冻结层。但是，我不知道如何连接到我创建的现有模型（不是keras中已经存在的模型，就像他们在链接中所做的那样）一个不同的层！我是说。。。我知道如何将一个层连接到现有的输出，但不知道如何在切掉一些层后注入不同的输入不，输入不必是相同的形状。事实上，现在在TF2.3中，我可以在128x128上训练一个模型，它将在256x256上运行，只需一个警告（而且精度很高）。我没有任何致密层，所以没有尺寸不匹配。我已经多次阅读了您在这里提供的链接，但它只适用于keras提供的模型，而我有自己的模型！好的精度是奇怪的，但根据你的模型没有密集的层，所以它是合理的。然而，正如我刚才所建议的，利用冻结模型而不是逐层复制更好，我有理由期望针对我的问题获得适当的精度（固定像素大小的显微镜，128x128是补丁，256x256是整个图像）。但这与编程基本无关。那么，我如何“冻结”我的模型呢。在推断过程中，权重不会得到更新。我找不到一种方法来表示更改任意模型的模型输入大小。您只需要声明一个具有不同形状的输入层，并将其与您选择的冻结层连接。您可以选择一系列要冻结的层：

用于vgg_conv.layers[：]：layer.trainable=False

我给您的链接是一个使用不同iputI重用模型的示例，我很容易理解如何冻结层。但是，我不知道如何连接到我创建的现有模型（不是keras中已经存在的模型，就像他们在链接中所做的那样）一个不同的层！我是说。。。我知道如何将一个层连接到现有的输出，但不知道如何在切掉一些层后注入不同的输入