如何处理不同的图像维度进行分类
How to tackle different Image dimensions for classification
我正在解决一个问题，我必须将图像分类到不同的组中。我是初学者，使用简单的序列模型使用 Keras。我应该如何解决下面代码中不同尺寸图像的问题，例如有些图片尺寸为 2101583，有些尺寸为 210603 等。请建议。
model.add(Dense(100,input_dim = ?,activation= "sigmoid"))
model.add(Dense(100,input_dim = ?,activation= "sigmoid"))
对于 Keras 中的简单分类算法，输入的大小应始终相同。由于前馈神经网络由一个输入层、一个到多个隐藏层和一个输出层组成，所有节点都连接在一起，因此您应该始终在每个 Input-Node 处都有一个输入。此外，神经网络的形状和其他超参数是静态的，因此您无法更改输入的数量，因此无法更改一个神经网络中每个图像的大小。
针对您的情况，最佳做法是将所有图片缩小到最小图片的大小，或者将所有图片放大到最大图片的大小。
裁员
通过缩小尺寸，您会主动删除图像中的像素，包括像素中包含的信息。这会导致过度拟合，但也会减少计算时间。
升迁
通过放大，您可以在不添加信息的情况下向图像添加像素。这会增加计算时间，但您会保留每个图像的信息。
为了一个好的开始，我建议您尝试将图片缩小到最小的尺寸。这也是科学上的常见做法[1]. One library to do so is OpenCV，实现问题请参考Whosebug上的多个问题：
Opencv-Python-Resizing image
我正在解决一个问题，我必须将图像分类到不同的组中。我是初学者，使用简单的序列模型使用 Keras。我应该如何解决下面代码中不同尺寸图像的问题，例如有些图片尺寸为 2101583，有些尺寸为 210603 等。请建议。
model.add(Dense(100,input_dim = ?,activation= "sigmoid"))
model.add(Dense(100,input_dim = ?,activation= "sigmoid"))
对于 Keras 中的简单分类算法，输入的大小应始终相同。由于前馈神经网络由一个输入层、一个到多个隐藏层和一个输出层组成，所有节点都连接在一起，因此您应该始终在每个 Input-Node 处都有一个输入。此外，神经网络的形状和其他超参数是静态的，因此您无法更改输入的数量，因此无法更改一个神经网络中每个图像的大小。
针对您的情况，最佳做法是将所有图片缩小到最小图片的大小，或者将所有图片放大到最大图片的大小。
裁员 通过缩小尺寸，您会主动删除图像中的像素，包括像素中包含的信息。这会导致过度拟合，但也会减少计算时间。
升迁 通过放大，您可以在不添加信息的情况下向图像添加像素。这会增加计算时间，但您会保留每个图像的信息。
为了一个好的开始，我建议您尝试将图片缩小到最小的尺寸。这也是科学上的常见做法[1]. One library to do so is OpenCV，实现问题请参考Whosebug上的多个问题：
Opencv-Python-Resizing image