Keras可以处理不同大小的输入图像吗？例如，在完全卷积神经网络中，输入图像可以具有任何大小 . 但是，我们需要在Keras创建网络时指定输入形状 . 因此，我们如何使用Keras处理不同的输入大小而不将输入图像调整为相同的大小？谢谢你的帮助 .
是 . 只需将输入形状更改为shape =（n_channels， None ， None ） . 其中n_channels是输入图像中的通道数 .
I'm using Theano backend 但是，如果您使用的是tensorflow，则可能需要将其更改为（None，None，n_channels）
您应该使用：input_shape =（1，None，None）形状中的无表示可变维度 . 请注意，并非所有图层都适用于此类可变尺寸，因为某些图层需要形状信息（例如Flatten） . https://github.com/fchollet/keras/issues/1920
例如，使用keras的功能API，您的输入层将是：
对于RGB数据集
inp = Input(shape=(3,None,None))
对于灰色数据集
inp = Input(shape=(1,None,None))
使用相同的计算内核实现任意大小的输入数组可能带来许多挑战 - 例如在GPU上，您需要知道要保留多大的缓冲区，以及更多地展开循环的数量等等 . 这是Keras需要恒定输入形状的主要原因，可变大小的输入太难以处理 .
这在处理NLP中的句子等可变长度序列时更常见 . 常见的方法是 Build 大小的上限（和更长的序列），然后用零填充序列到这个大小 .
（您还可以包括屏蔽零值以跳过填充区域上的计算，除了Keras中的卷积层可能仍然不支持屏蔽输入...）
我不确定对于3D数据结构，填充的开销是不是过高 - 如果你开始出现内存错误，最简单的解决方法是减少批量大小 . 让我们知道您在图像上应用此技巧的经验！
2 回答
是 . 只需将输入形状更改为shape =（n_channels， None ， None ） . 其中n_channels是输入图像中的通道数 .
I'm using Theano backend 但是，如果您使用的是tensorflow，则可能需要将其更改为（None，None，n_channels）
例如，使用keras的功能API，您的输入层将是：
对于RGB数据集
对于灰色数据集
使用相同的计算内核实现任意大小的输入数组可能带来许多挑战 - 例如在GPU上，您需要知道要保留多大的缓冲区，以及更多地展开循环的数量等等 . 这是Keras需要恒定输入形状的主要原因，可变大小的输入太难以处理 .
这在处理NLP中的句子等可变长度序列时更常见 . 常见的方法是 Build 大小的上限（和更长的序列），然后用零填充序列到这个大小 .
（您还可以包括屏蔽零值以跳过填充区域上的计算，除了Keras中的卷积层可能仍然不支持屏蔽输入...）
我不确定对于3D数据结构，填充的开销是不是过高 - 如果你开始出现内存错误，最简单的解决方法是减少批量大小 . 让我们知道您在图像上应用此技巧的经验！