使用 keras 和 tensorflow 调整大小会产生不同的结果答案

【问题标题】：resizing with keras and tensorflow gives different results使用 keras 和 tensorflow 调整大小会产生不同的结果
【发布时间】：2019-07-17 12:20:44
【问题描述】：

重现错误的代码：

import tensorflow as tf
from tensorflow import keras

inputs = keras.layers.Input(shape=(7,7,256))

keras_resized = keras.backend.resize_images(inputs,224,224,data_format='channels_last',interpolation='bilinear')

tf_resized = tf.image.resize_bilinear(inputs,(224,224))

我有以下观察：

1。 tf_resized.get_shape() 给：

TensorShape([Dimension(None), Dimension(224), Dimension(224), Dimension(256)])

这是预期的结果。

2。正如keras_resized.get_shape() 给出的那样：

TensorShape([Dimension(None), Dimension(1568), Dimension(1568), Dimension(256)])

这令人困惑。

3。但是：

mean_input = keras.backend.mean(inputs, axis=[1,2], keepdims=True)
keras_resized = keras.backend.resize_images(mean_input,224,224,data_format='channels_last',interpolation='bilinear')

然后keras_resized.get_shape() 给出：

TensorShape([Dimension(None), Dimension(224), Dimension(224), Dimension(256)])

我需要帮助

调整大小的方法有何不同
在什么情况下应该使用哪个？
案例 1 和 3 是否等效？

【问题讨论】：

7*224=1568 应该可以帮助您找到答案；）keras_resized.get_shape() 的第二个和第三个参数是原始形状的乘数，而不是输出形状。

标签： python tensorflow tf.keras

【解决方案1】：

据我了解，在 TF 2.0 中有两个调整图片大小的函数，即：

tf.keras.backend.resize_images
tf.image.resize or tf.image.resize_images

这两种功能各有优缺点。

对于 tf.keras.backend.resize_images

优点：支持不同的张量通道顺序（参见 data_format 参数）缺点：图片只能放大整数倍，不能缩小（因为height_factor和width_factor必须是正整数）

对于 tf.image.resize 或 tf.image.resize_images ，优点是： 1）它支持不同的插值方法，如

ResizeMethod.BILINEAR: Bilinear interpolation
ResizeMethod.NEAREST_NEIGHBOR: Nearest neighbor interpolation
ResizeMethod.BICUBIC: Bicubic interpolation
ResizeMethod.AREA: Area interpolation

2)此外，它还支持图像缩小。

根据需要，您可以使用这些方法

谢谢

【讨论】：

【解决方案2】：

实际上，您不必将相同的参数传递给两个函数。例如，如果你想从 7 变为 224，那么使用 tensorflow 方法你需要输入：

tf.image.resize(inputs,(224,224))

但是使用 keras 方法，您必须指定 height_factor 和 width_factor ：所以在这种情况下 224/7 = 32

tf.keras.backend.resize_images( image, 32, 32, data_format)

【讨论】：