我用 Keras 训练了一个全卷积神经网络。我使用了 Functional API 并将输入层定义为 Input(shape=(128,128,3))，对应于我训练集中图像的大小。
但是，我想在可变 大小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，我需要将输入层更改为 Input(shape=(None,None,3))。解决问题的明显方法是直接使用 (None,None,3) 的输入形状训练我的模型，但我使用自定义损失函数，我需要在其中指定我的大小训练图像。
我尝试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，但后面的层仍然需要 (128,128,filters) 输入。
有没有办法一次更改所有输入值？
最佳答案
创建一个新模型，完全一样，除了新的输入形状；和转移权重:
newModel.set_weights(oldModel.get_weights())
如果出现任何问题，则它可能不是完全卷积的(例如:包含 Flatten 层)。
关于python - 更改 Keras 中的输入大小，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/50063237/