我正在尝试训练对图像进行分类的模型。我的问题是，它们的大小不同。我应该如何格式化我的图像/或模型架构？
Answers:
您没有说出您在谈论什么架构。既然您说过要对图像进行分类，我假设它是一个部分卷积，部分完全连接的网络，例如AlexNet，GoogLeNet等。通常，问题的答案取决于您所使用的网络类型。
例如，如果您的网络仅包含卷积单元（也就是说，不包含完全连接的层），则它可能与输入图像的大小无关。这样的网络可以处理输入图像，然后返回另一个图像（“一直卷积”）；当然，您必须确保输出符合您的期望，因为您必须以某种方式确定损失。
但是，如果您使用的是完全连接的设备，那么麻烦就大了：在这里，您必须使用固定数量的网络学习权重，因此，不同的输入将需要不同数量的权重-这是不可能的。
如果这是您的问题，则可以执行以下操作：
N正确大小的其他图像。填充选项可能会为网络的预测引入其他错误源，因为网络可能（读为：可能会）偏向包含此类填充边框的图像。如果您需要一些想法，请查看TensorFlow文档的“ 图像”部分，其中的类似内容可以省去resize_image_with_crop_or_pad更大的工作。
至于不关心压榨，这是著名的盗梦空间网络的预处理管道的一部分：
# This resizing operation may distort the images because the aspect
# ratio is not respected. We select a resize method in a round robin
# fashion based on the thread number.
# Note that ResizeMethod contains 4 enumerated resizing methods.
# We select only 1 case for fast_mode bilinear.
num_resize_cases = 1 if fast_mode else 4
distorted_image = apply_with_random_selector(
distorted_image,
lambda x, method: tf.image.resize_images(x, [height, width], method=method),
num_cases=num_resize_cases)他们完全意识到了这一点，并且无论如何都会这样做。
根据多远你想要或需要去，实际上是一纸在这里被称为空间金字塔池深卷积网络从视觉上识别，通过在一个非常特殊的方式处理它们的手柄任意大小的输入。
尝试制作一个空间金字塔池化层。然后将其放在最后一个卷积层之后，以使FC层始终获得恒定的维向量作为输入。在训练期间，使用特定图像大小训练一个时期的整个数据集的图像。然后在下一个时代，切换到其他图像尺寸并继续训练。