我想知道，如何设计一个神经网络，其中输入数据可以具有不同的形状，因为网络在输入层中有一些固定数量的节点。
通常当我想为未知（各种）分辨率的图片训练图像分类网络时，或者当我想对不同长度的文本进行分类时。
例如，对于图像，我当然可以有一些预处理管道来调整图像大小，但我可能会丢失一些信息，在文本的情况下，“调整大小”会更难执行。
有什么诀窍，如何设计这样的网络？
【问题讨论】：
标签： tensorflow deep-learning neural-network
想到了三种可能性。
最简单的是零填充。基本上，您采用相当大的输入大小，如果您的具体输入太小，只需添加零。当然，如果您的输入范围从几个单词到全文，这非常有限，而且肯定没有用。
如果您有不同大小的文本作为输入，循环神经网络 (RNN) 是一种非常自然的神经网络选择。您一个接一个地输入单词作为单词向量（或嵌入），RNN 的内部状态应该对整个单词字符串的含义进行编码。这是较早的论文之一。
另一种可能性是使用递归神经网络。这基本上是一种预处理形式，其中将文本递归地减少为较少数量的词向量，直到只剩下一个——您的输入，它应该对整个文本进行编码。如果您的输入由句子组成（大小可能有很大差异），从语言的角度来看，这很有意义，因为句子是递归构造的。例如，“男人”的词向量，应该和“把妻子误认为帽子的男人”的词向量相似，因为名词短语的作用类似于名词等。通常，您可以使用语言信息来指导你对句子的递归。如果您想超越维基百科的文章，这可能是一个好的开始。
【讨论】：
如果是图像，您可以询问特定图像中的内容，而不是让您的神经网络识别图像中的内容，例如256x256 大小的图片部分。您为此进行训练，并将其用于整个图像的某些部分重叠的滚动窗口。如果您的待识别模式的大小变化很大，您可以调整它的大小，然后再次使用您的 NN。
【讨论】：