Tensorflow 在训练过程中改变空间输入维度

我正在tensorflow 2.3.0中训练一个yolov4（完全卷积）

我想在训练期间改变网络的空间输入形状，进一步调整权重以适应不同的尺度

这可能吗

编辑： 我知道darknet的存在，但它受到我在回购协议中使用和实现的一些非常具体的扩充的影响，这就是我明确要求tensorflow的原因

更确切地说我想做什么

---

我想在

yxx1xc

上训练几个批次，然后将输入大小更改为

yxx2xc

，然后再次训练几个批次，以此类推。

这是不可能的。在过去，人们针对不同的规模训练了几个网络，但目前最先进的方法是以金字塔为特征

另一个很好的选择是使用扩展卷积，它可以学习具有不同距离的像素之间的长距离依赖关系。您可以连接它们的输出，然后模型将了解哪种距离对于哪种情况是重要的

---

这是不可能的。在过去，人们针对不同的规模训练了几个网络，但目前最先进的方法是以金字塔为特征

另一个很好的选择是使用扩展卷积，它可以学习具有不同距离的像素之间的长距离依赖关系。您可以连接它们的输出，然后模型将了解哪种距离对于哪种情况是重要的

---

重要的是要提到您正在使用的TensorFlow存储库。你绝对可以做到这一点。其思想是在单个批次中保持固定的空间输入维度

但更好的方法是使用AlexeyAB的darknet存储库：

只需设置，

random=1

[第1149行]。它将随机训练不同空间维度的网络

---

您可以做的一件事是，使用随机=1集的AlexeyAB repo开始您的训练，然后将训练好的权重文件带到tensorflow进行微调。

重要的是要提到您正在使用的tensorflow存储库。你绝对可以做到这一点。其思想是在单个批次中保持固定的空间输入维度

但更好的方法是使用AlexeyAB的darknet存储库：

只需设置，

random=1

[第1149行]。它将随机训练不同空间维度的网络

---

您可以做的一件事是，使用随机=1集的AlexeyAB repo开始训练，然后将训练后的权重文件带到tensorflow进行微调。

我编辑我的问题，我使用tensorflow 2.3.0。是的，我会像在黑暗中一样，保持10-20批的分辨率，然后调整网络大小。我在培训期间使用了一些非常具体的复制粘贴增强，在C语言中实现它们对我来说太重了，因此我选择了yolov4 tensorflow repo。您是否可以解释一下如何在tf2中实现这一点？我编辑了我的问题，我使用的是tensorflow 2.3.0。是的，我会像在黑暗中一样，保持10-20批的分辨率，然后调整网络大小。我在培训期间使用了一些非常具体的复制粘贴增强，在C语言中实现它们对我来说太重了，因此我选择了yolov4 tensorflow repo。您能否介绍一下如何在tf2中实现这一点？yolov4已经使用了功能金字塔，在运行时仍然调整网络的大小在某种程度上与增加图像的规模相同，但以更自然的方式。VOLOv2（或者说v3真的记不起来了）正如@Zabir Al-Nazil在YOLOv4 darknet中所说的，这是可能的，我希望在TF2中也能做到这一点。YOLOv4已经使用了功能金字塔，但在运行时调整网络的大小与增加图像的规模有些相同，但更自然。VOLOv2（或者说v3真的记不起来了），正如@Zabir Al-Nazil在YOLOv4 darknet中所说的，这是可能的，我希望在tf2中也有同样的结果