我应该只使用“完全相同”的输入形状进行迁移学习吗？

Question

我用（5x128x128x3）大小的输入形状训练了一个CNN模型 我的训练重量是（5x128x128x3）

顺便说一下，我想用这个重量来训练（7x128x128x3）大小的输入数据

所以，这是我的问题 我应该只使用相同形状的输入吗？ 我想知道我是否可以使用另一种尺寸（在本例中为7x128x128x3）的输入来进行迁移学习

ValueError: Error when checking input: expected input_1 to have shape (5, 128, 128, 3) but got arry with shape (7, 128, 128, 3)```

Answer 1

我们来分解尺寸（5x128x128x3）：

第一个维度是批量大小（训练原始模型时为5）。这是不相关的，您可以将其设置为None，正如在注释中指出的那样，以向模型提供任意大小的批处理。你知道吗

第二到第三个维度（128x128）是图像的宽度和高度，您可以更改这些维度，但是如果不知道模型结构和用于转移学习的层输出，就很难确定。您可以更改这些的原因是二维卷积滤波器在图像的二维维度（宽度和高度）上重复，因此它们对于不同的宽度和高度仍然有效（假设填充兼容）。但是，如果你改变了太多的二维维度，就有可能是层的感受野改变了，从而损害了迁移学习的表现。例如，如果网络中用于128x128输入的第7个conv层在每次激活时都能看到整个输入图像（128x128的接收域），那么如果将宽度和高度增加一倍，它将不再存在，并且该层可能无法识别某些全局特征。你知道吗

第四维度是输入图像中的通道数，不能更改，因为第一层中的过滤器在深度维度上有3个权重。你知道吗