我正在尝试使用Keras InceptionV3（）使用Lucid Toolkit（https://github.com/tensorflow/lucid）执行功能可视化 .
当我在训练之后检查网络内层的形状时，它们具有给定的形状：
================================================================================
input_1 (InputLayer) (None, 300, 400, 3) 0
__________________________________________________________________________________________________
conv2d_1 (Conv2D) (None, 149, 199, 32) 864 input_1[0][0]
__________________________________________________________________________________________________
batch_normalization_1 (BatchNor (None, 149, 199, 32) 96 conv2d_1[0][0]
__________________________________________________________________________________________________
activation_1 (Activation) (None, 149, 199, 32) 0 batch_normalization_1[0][0]
__________________________________________________________________________________________________
conv2d_2 (Conv2D) (None, 147, 197, 32) 9216 activation_1[0][0]
...
相比之下，具有预训练的imageNet-weight的模型没有这样的限制：
input_1 (InputLayer) (None, None, None, 3 0
__________________________________________________________________________________________________
conv2d_1 (Conv2D) (None, None, None, 3 864 input_1[0][0]
__________________________________________________________________________________________________
batch_normalization_1 (BatchNor (None, None, None, 3 96 conv2d_1[0][0]
__________________________________________________________________________________________________
activation_1 (Activation) (None, None, None, 3 0 batch_normalization_1[0][0]
__________________________________________________________________________________________________
conv2d_2 (Conv2D) (None, None, None, 3 9216 activation_1[0][0]
所以，问题在于，当我想要执行可视化时，使用预训练的网络可以工作，而不是 .
有谁知道，为什么没有对图层形状的限制，因为至少应该有每个转换层中的滤镜数量 .
谢谢你的帮助，
蒂姆
1 回答
图像的大小不会以任何方式影响卷积模型的权重 . （例如，它会导致Flatten图层出现问题） . 当然，过滤器的数量必须保持不变，否则您的重量确实会发生变化 .
过滤器是“图像层”，而不是“图像大小” . 小图像产生小的过滤层，大图像产生大的过滤层 .
要为可变图像大小创建Keras Inception模型，必须将输入形状定义为
(None, None, 3).您可以通过转移使用训练模型中的权重（如果您以某种方式训练它）：