使用Keras中预先训练的CNN输入维度，用于转移学习

2 回答

• 0

  不，这是可能的，您可以更改预训练模型的 input_shape . 它甚至在keras.aplications上提到documentation .

  通过自定义输入张量构建InceptionV3

  from keras.applications.inception_v3 import InceptionV3
  from keras.layers import Input
  
  # this could also be the output a different Keras model or layer
  # this assumes K.image_data_format() == 'channels_last'
  input_tensor = Input(shape=(224, 224, 3))  
  
  model = InceptionV3(input_tensor=input_tensor, weights='imagenet',
                      include_top=False)
  

  请注意，如果要使用尺寸与训练大小不同的模型，则必须将 include_top 设置为 False ，因为模型的完全连接图层仅限于接受具有正确维度的特征，即由生成的特征生成的特征 . 原始训练图像大小 .

  回复于 2024-04-29T09:40:24+08:00
• 3

  是的，没有灵活性 . （但看看Matias Valdenegro的回答）

  Keras模型使用静态定义的维度 .

  例如，改变尺寸意味着改变以下卷积层的所有结果尺寸，并且还改变所有密集层的权重量 . （那么，如何处理新的或缺失的权重？它们会影响计算）

  如果一个模型纯粹是卷积的，也许您可以手动模仿其结构的大小，复制其权重，找出新的输出形状并尝试使用它（这可以通过 include_top=False 实现，如Matias Valdenegro 's answer). But if it' sa分类模型，你会有一个问题，因为他们要么在最后使用密集的层，要么他们的最终卷积层需要以固定的大小结束以进行分类 .

  但即使在纯卷积的情况下，如果模型没有经过图像中各种不同大小和对象位置的训练，它就会失去识别事物的能力，因为它的卷积滤波器正在搜索固定大小的特征 . 像素 .

  ---

  你可以做的解决这个问题的方法是：

  • 填充输入以满足必要的大小：模型必须训练有素，不要对图像中的大黑暗区域发疯，认为它们意味着什么 .

  • 将输入划分为图片的较小区域，可能会有一点重叠（以避免将对象切割成两个并使模型无法识别） . 然后正确加入相应的输出 .

  回复于 2024-04-29T09:40:24+08:00