如何在keras/tens中为cnn模型提供不同大小的图像

Question

我不知道如何输入两个大小的图片，它也不能使用resize和crop。我见过这个question，但它也没有解决了。这个是我的代码，但我收到以下错误：

StopIteration:“NoneType”对象不能解释为整数

我希望你能给我一些建议

model = Sequential()
model.add(Conv2D(filters=6,kernel_size=(5,5),padding='same',input_shape=(None,None,3)))
model.add(Activation('tanh'))  
model.add(MaxPooling2D(pool_size=(2,2))) 

model.add(Conv2D(filters=16,kernel_size=(5,5),padding='same'))  
model.add(Activation('tanh')) 
model.add(GlobalAveragePooling2D())
model.add(Dense(1))  
model.add(Activation('sigmoid'))
#sgd = optimizers.RMSprop(lr=0.01, clipvalue=0.5)
model.compile(loss='binary_crossentropy',#'binary_crossentropy'categorical_crossentropy,
              optimizer='sgd',
              metrics=['accuracy'],
              )
train_datagen = ImageDataGenerator(rescale=1./255,
                                   vertical_flip=True,
                                   horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        train_data_dir,
        target_size=(img_width, img_height),
        batch_size=batch_size,
        class_mode='binary')#'binary'categorical)

validation_generator = test_datagen.flow_from_directory(
        validation_data_dir,
        target_size=(img_width, img_height),
        batch_size=batch_size,
        class_mode='binary')#'binary')

early_stopping = EarlyStopping(monitor='val_acc',patience=10,mode='max')
model.fit_generator(train_generator,
                    steps_per_epoch=nb_train_samples//batch_size,
                    epochs=nb_epoch,
                    validation_data=validation_generator,
                    validation_steps=nb_validation_samples,
                    callbacks=[early_stopping,
                               TensorBoard(log_dir='C:\\Users\\ccri\\Desktop\\new\\iou30\\426\\lenet\\log', write_images=True),
                               ModelCheckpoint(filepath='C:\\Users\\ccri\\Desktop\\new\\iou30\\426\\lenet\\canshu\\weights.{epoch:02d}-{val_loss:.2f}.h5', 
                               monitor='val_acc',                                   
                               save_best_only=True,
                               mode='auto')]
)

Answer 1

唯一的限制是创建一个可以容纳不同大小图像的numpy数组。在

您可以使用batch_size=1来解决这个问题（那么numpy数组就永远不会不兼容）。在

或者您可以尝试手动将相同大小的所有图像分组到一个数组中，将该数组训练为一个大批量，然后对其他大小的图像执行相同的操作。在

Answer 2

恐怕那是不可能的。如何更新权重矩阵？在

假设您将其初始化为2x2矩阵：

a b
c d

假设一旦您对一些2x2图像进行了培训，那么您将希望对4x4图像进行培训。会是什么样子？元素a、b、c和{}将去哪里？左上角？中间？右上角？你会生成一个新的吗？这会让所有的训练过程都付诸东流。在

我真的建议重新调整所有图片的宽度和高度。如果这是不可能的，并且每个宽度和高度都有大量的例子，你可以简单地创建几个神经网络（N1，N2，…），并且，理论上，一旦你到达一个与输入图像无关的形状相同的层，就切换到一个共享的神经网络。但是，您需要从每个类别中获取大量的示例。在