如果我不将默认输入形状放入预训练模型中，深度学习程序的准确性会下降吗？
Does the accuracy of the deep learning program drop if I do not put in the default input shape into the pretrained model?
正如标题所说，我想知道输入形状是否影响深度学习模型的准确性。
此外，pre-trained 模型（如 Xception）是否可以用于灰度图像？
P.S。 : 我最近开始学习深度学习所以如果可能的话请简单解释一下。
通常，对于卷积神经网络，图像形状（图像的 width/height）的差异无关紧要。然而，图像中通道数量的差异（相当于图像的深度）会影响性能。事实上，如果模型是为 greyscale/colour 训练的，而你输入了另一种类型，通常会出现维度不匹配错误。
通常，输入比例很重要。更改为灰度肯定很重要。细节取决于训练数据。也就是说，如果训练数据包含与您使用的比例相同的对象，则可能不会产生很大差异，否则就会产生差异。深度学习大多不会对数据的任何变化保持不变。 CNN 显示出一些平移不变性，但仅此而已。旋转、缩放、颜色失真、亮度等都会对性能产生负面影响 - 如果这些条件没有成为训练的一部分。
在 IJCNN 2022 上发表的论文 https://arxiv.org/abs/2106.06057 研究了在 MNIST（数字）等简单数据集上旋转和缩放图像的分类器，并表明性能下降很多。还有其他论文显示了同样的事情。
正如标题所说，我想知道输入形状是否影响深度学习模型的准确性。
此外，pre-trained 模型（如 Xception）是否可以用于灰度图像？
P.S。 : 我最近开始学习深度学习所以如果可能的话请简单解释一下。
通常，对于卷积神经网络，图像形状（图像的 width/height）的差异无关紧要。然而，图像中通道数量的差异（相当于图像的深度）会影响性能。事实上，如果模型是为 greyscale/colour 训练的，而你输入了另一种类型，通常会出现维度不匹配错误。
通常，输入比例很重要。更改为灰度肯定很重要。细节取决于训练数据。也就是说，如果训练数据包含与您使用的比例相同的对象，则可能不会产生很大差异，否则就会产生差异。深度学习大多不会对数据的任何变化保持不变。 CNN 显示出一些平移不变性，但仅此而已。旋转、缩放、颜色失真、亮度等都会对性能产生负面影响 - 如果这些条件没有成为训练的一部分。
在 IJCNN 2022 上发表的论文 https://arxiv.org/abs/2106.06057 研究了在 MNIST（数字）等简单数据集上旋转和缩放图像的分类器，并表明性能下降很多。还有其他论文显示了同样的事情。