我正在使用 CNN 处理分类问题，其中我的输入图像大小为 64X64，并且我想使用预训练模型，例如 VGG16、COCO 或任何其他。但问题是预训练模型的输入图像大小为224X224。我如何对这个问题进行排序。输入图像大小是否有任何数据增强方式。
如果我将输入图像的大小调整为224X224，那么图像很可能会变得模糊，这可能会影响训练。如果我错了，请纠正我。
另一个问题与预训练模型有关。如果我使用transfer learning，那么通常我必须从预训练模型中冻结多少层。考虑到我的分类与预训练模型类有很大不同。但我想前几层我们可以冻结它以获得图像的边缘、曲线等，这在所有图像中都很常见。
【问题讨论】：
标签： machine-learning deep-learning artificial-intelligence conv-neural-network supervised-learning
但问题是预训练模型的输入图像大小为 224X224。
我假设您使用 Keras/Tensorflow（其他 DL 框架也是如此）。根据Keras Application 中的文档：
input_shape：可选形状元组，仅在 include_top 时指定 为 False （否则输入形状必须为 (224, 224, 3) （使用 'channels_last' 数据格式）或 (3, 224, 224) （使用 'channels_first' 数据格式）。它应该正好有 3 个输入通道，宽度和 高度不应小于 48。例如(200, 200, 3) 将是一个
所以有两种方法可以解决您的问题：
将输入图像的大小调整为existing library244*244，并使用VGG分类器[include_top=True]。
在 VGG 模型之上训练您自己的分类器。如上述Keras 中的文档所述，如果您的图像不是244*244，您应该训练自己的分类器[include_top=False]。您可以通过以下方式轻松完成这些事情：
inp = keras.layers.Input(shape=(64, 64, 3), name='image_input')
vgg_model = VGG19(weights='imagenet', include_top=False)
vgg_model.trainable = False
x = keras.layers.Flatten(name='flatten')(vgg_model)
x = keras.layers.Dense(512, activation='relu', name='fc1')(x)
x = keras.layers.Dense(512, activation='relu', name='fc2')(x)
x = keras.layers.Dense(10, activation='softmax', name='predictions')(x)
new_model = keras.models.Model(inputs=inp, outputs=x)
new_model.compile(optimizer='adam', loss='categorical_crossentropy',
metrics=['accuracy'])
如果我使用的是迁移学习，那么通常我必须使用多少层 从预训练模型冻结
这实际上取决于您的新任务、您有多少训练示例、您的预训练模型是什么以及许多其他事情。如果我是你，我会先扔掉预训练的模型分类器。然后，如果不行，就去掉一些其他的卷积层，一步一步做，直到我得到好的性能。
【讨论】：