我用Keras训练了一个完全卷积的神经网络 . 我使用了Functional API，并将输入图层定义为 Input(shape=(128,128,3)) ，对应于训练集中图像的大小 .
但是，我想在 variable 尺寸的图像上使用经过训练的模型（这应该没问题，因为网络是完全卷积的） . 为此，我需要将输入图层更改为 Input(shape=(None,None,3)) . 解决问题的显而易见的方法是直接用输入形状 (None,None,3) 训练我的模型，但我使用自定义丢失函数，我需要指定训练图像的大小 .
我试图定义一个新的输入层并将其分配给我的模型，如下所示：
from keras.engine import InputLayer
input_layer = InputLayer(input_shape=(None, None, 3), name="input")
model.layers[0] = input_layer
这实际上相应地改变了输入层的大小，但是下面的层仍然期望 (128,128,filters) 输入 .
有没有办法一次更改所有输入值？
1 回答
除了新的输入形状外，创建一个完全相同的新模型;和转移重量：
如果出现任何问题，那么它可能不是完全卷积的（例如：包含Flatten图层） .