如何使用具有不同输入形状的批次制作神经网络答案

【问题标题】：How to make a neural network with batches with different input shapes如何使用具有不同输入形状的批次制作神经网络
【发布时间】：2019-04-15 17:57:37
【问题描述】：

我想制作一个可以将灰度图像作为输入并输出彩色图像的 CNN 或 FCN。对我来说，图像的大小可以变化是非常重要的。我听说我只能在制作 FCN 并用一个尺寸的图像拍摄一批，用另一种尺寸的图像拍摄另一批时才能做到这一点。但我不知道如何在 Tensorflow Keras（Python 版本）中提出这个概念，我想知道您是否可以提供一些示例代码或伪代码？我很感激。谢谢！

【问题讨论】：

重新缩放所有输入图像，使其具有相同的纵横比、宽度和高度、值分布等，然后将它们提供给您的模型。谷歌image preprocessing.
但我不想缩小图像。我真的需要它们保持原来的大小
我不熟悉这种方法，从未听说有人这样做。尝试在https://scholar.google.com搜索相关论文
您是否尝试过提取补丁并仅向网络提供补丁？

标签： python tensorflow machine-learning deep-learning conv-neural-network

【解决方案1】：

我知道您想让它们都保持原来的大小，但这是不可能的。不过不要担心，因为调整大小可以在图像被输入模型时进行（在内存中）；图像永远不会被触摸，除非被阅读。

Here's a great example 我经常引用！

【讨论】：

您知道，输出图像与原始图像大小相同对我来说很重要。这真的不可能吗？
啊！一点都不！输出图像绝对可以是原始大小。不同的架构以不同的方式处理这个问题，但考虑一下：图像被调整大小，通过网络，产生边界框坐标和类预测。然后将这些坐标缩放到原始图像大小/比例，并在原始图像上布局（以其原始大小/比例）。这有意义吗？
但是这是无损的吗？
谢谢。这很有帮助！
嘿，更具体一点（因为我忘了你一直在谈论灰度到彩色图像），这个过程本质上是有损的，但你可以通过单独保存预测来执行损耗较小的版本（如前所述），然后将它们应用于图像而不改变像素亮度。这意味着使用预测的颜色值作为原始图像像素的权重，进行缩放以使像素亮度总和（跨所有三个通道）保持不变。不过，这不一定是网络。之后只是一些数学运算。