改变训练好的卷积神经网络的输入形状是否合理
Is it reasonable to change the input shape for a trained convolutional neural network
我见过很多超分辨率网络，它们似乎暗示可以在 (x,y,d) 的输入上训练网络，然后将任意大小的图像传入模型进行预测，例如在 Keras 中用占位符值 (None,None,3) 指定，并且将接受任何大小。
例如 https://github.com/krasserm/super-resolution 在 24x24x3 的输入上训练，但接受任意大小的图像以调整大小，演示代码使用 124x118x3。
这是明智的做法吗？当给定较大的输入时，网络是否只是在其上滑动 window 并应用与在较小尺寸图像上学习的相同的权重？
卷积绝对没有问题，它们将完全按照预期工作，具有相同的权重、相同的内核大小等。
唯一可能的问题是：模型可能没有学习你图像的新比例（因为它以前从未见过这个比例）并且可能给你不好的结果。
另一方面，该模型可以用许多 sizes/scales 进行训练，变得对变化更稳健。
Flatten、Reshape等会有问题
只有 GlobalMaxPooling2D 和 GlobalAveragePooling2D 支持不同的尺寸。
你猜对了。卷积层学习在内核的尺度上区分特征，而不是在整个图像的尺度上。具有 3x3 内核的层将学习识别最大 3x3 像素的特征，并且能够识别图像中的该特征，无论图像本身是 3x3、100x100 还是 1080x1920。
我见过很多超分辨率网络，它们似乎暗示可以在 (x,y,d) 的输入上训练网络，然后将任意大小的图像传入模型进行预测，例如在 Keras 中用占位符值 (None,None,3) 指定，并且将接受任何大小。
例如 https://github.com/krasserm/super-resolution 在 24x24x3 的输入上训练，但接受任意大小的图像以调整大小，演示代码使用 124x118x3。
这是明智的做法吗？当给定较大的输入时，网络是否只是在其上滑动 window 并应用与在较小尺寸图像上学习的相同的权重？
卷积绝对没有问题，它们将完全按照预期工作，具有相同的权重、相同的内核大小等。
唯一可能的问题是：模型可能没有学习你图像的新比例（因为它以前从未见过这个比例）并且可能给你不好的结果。
另一方面，该模型可以用许多 sizes/scales 进行训练，变得对变化更稳健。
Flatten、Reshape等会有问题
只有 GlobalMaxPooling2D 和 GlobalAveragePooling2D 支持不同的尺寸。
你猜对了。卷积层学习在内核的尺度上区分特征，而不是在整个图像的尺度上。具有 3x3 内核的层将学习识别最大 3x3 像素的特征，并且能够识别图像中的该特征，无论图像本身是 3x3、100x100 还是 1080x1920。