更改預訓練模型的輸入形狀及其權重

Question

我正在嘗試使用訓練有素的[3D] CNN進行轉移學習，其中我已將訓練好的模型與其權重一起使用。

但問題是輸入大小爲(64,64,7,3)，而輸入大小爲(256,256,256,1)。我怎麼能解決這個問題？

Answer 1

下面是一個解決方案：一旦它減少到（64,64,64），您可以在網絡開始時添加一個1x1 conv2D圖層。這個1x1 conv2D將產生一個（64,64，n），其中n是你想要的單位數量;你的情況3.

在Tensorflow，你會做這樣的：

tf.layers.conv2D(inputs, 3, kernel_size=(1,1), activation=<your_activation>) 

這種方法的好處是，它會從數據學習的轉變，從去（64,64,64 ）到（64,64,3）。

話雖如此，我並沒有真正明白爲什麼你首先有一個（256,256,256）或（64,64,64）的圖像。通常情況下，最後一個維度是「RGB」通常爲3的通道數量。

編輯：作爲對您編輯的問題的迴應，您可以通過多種方式獲取所需的尺寸。

例如，您可以應用與上述相同的邏輯：在網絡開始時添加一個或多個conv3d圖層，然後選擇適當的kernel_size和stride來獲取所需的尺寸。例如：如果你添加下面層：在您的網絡開始

tf.layers.conv3d(inputs, 3, kernel_size=(193,193,250), strides=(1,1,1)) 

，你會得到暗淡=張量（無，64,64,7,3）如果inputs是昏暗的張量=（無，256,256,256,1）。你也可以使用3d（max/avg/etc）池層。

和當然，你也可以使用tf.reshape，tf.image.resize_images，tf.transpose，tf.concat，tf.layers.conv2d等來獲取你想要的尺寸。例如：

inputs = tf.placeholder(<tf.type>, shape=(None,256,256,256,1)) 
a = tf.reshape(inputs, (-1,256,256,256)) # shape=(None,256,256,256) 
b = tf.image.resize_images(a, (64,64)) # shape=(None,64,64,256) 
c = tf.layers.conv2d(b, 7, kernel_size=(1,1)) # shape=(None,64,64,7) 
d = tf.reshape(c, (-1,64,64,7,1)) # shape=(None,64,64,7,1) 
e = tf.layers.conv3d(d, 3, kernel_size=(1,1,1)) # shape=(None,64,64,7,3) 

無論如何，有很多方法可以得到你想要的尺寸，並根據您的問題，你可能更喜歡另一種方法。