如何将不同形状的卷积层输出汇集到一个固定的形状，以通过完全连接的层

Question

我有不同大小的输入图像，我将它们通过CNN中的Conv层，然后我应该将Conv输出连接到一个完全连接的层进行分类。

由于该过程必须矢量化，因此输出必须具有相同的形状，以便一批图像可以用于前向传递。因此，对于在全连接层的输入处的所有图像具有相同形状的问题。

但是由于我的输入图像具有不同的形状，我的final Conv layer给出了不同形状的输出，我如何将来自Last Conv layer的不同形状的输出合并/重塑为固定形状，以便它们可以连接到即时FCN层？

此外，我曾考虑在处理之前将图像重塑为固定大小，但由于我的输入图像在largeSo中不同，因此存在性能准确性问题，尝试这样做。

Answer 1

如果您的输入在所有示例中都是一致的(例如，如果为inputs = image1, image2，那么所有的image1都是相同的大小，所有的image2都是相同的大小，但image1.shape不一定与image2相同，您只需将最终的conv输出展平，并在传递到密集层之前将结果连接起来。

conv1_out = conv_network1(image1)
conv2_out = conv_network2(image2)              # could be same network
flat1 = tf.layers.flatten(conv1_out)
flat2 = tf.layers.flatten(conv2_out)
dense_in = tf.concat((flat1, flat2), axis=1)
dense_out = tf.layers.dense(dense_in, units)

或者，如果您的图像跨批次具有不同的大小，如果您有大量的空间特征，则空间池是另一个流行的选择。

flat1 = tf.reduce_mean(conv1_out, axis=(1, 2))
flat2 = tf.reduce_mean(conv2_out, axis=(1, 2))

您也可以使用max pooling，尽管行为略有不同。