当制作具有非固定输入数据大小的keras模型时，是否可以使用lambda层根据大小应用不同的层？

Question

我正在处理卷积图像模型，我将该模型转换并存储为yaml文件，然后在代码中使用它。输入图像的完整大小为256 * 256，但在训练过程中，我使用大小为128 * 128的补丁来训练模型，并在验证过程中获得完整大小的图像。因此，模型的输入大小设置为None。我想创建一个模型，只裁剪图像的中间部分，大小为64 * 64从这个输入层。此时，模型必须根据输入图像的大小裁剪不同长度的图像，以产生相同的输出大小(64*64)。但是，是否可以在我的代码中应用if-else语句？如果你能帮我写代码，我将不胜感激。

patch = (None,None, 6)
x_input = Input(shape=patch)

def get_crop(x):
    from keras.layers import Cropping2D
    if x.get_shape().as_list()[1:3] ==[256,256]:
        return Cropping2D(cropping=(96,96))(x)
    else:
        return Cropping2D(cropping=(32,32))(x)

x_crop = Lambda(get_crop)(x_input)

Answer 1

你最好问另一个像CrossValidation这样的StackExchange，但这里有一个简短的答案。

在处理不同大小的图像时，有两种解决方案。首先是将大图像裁剪成多个子图像，并对每个子图像的类进行投票。第二种解决方案要好得多，那就是拥有一个完全卷积网络。您可以使用大卷积替换完全连接的块，并对分类层(GlobalAveragePooling或MaxPooling)使用全局池。

请注意，只有当您获得的图像更大时，这些解决方案才有效。如果有较小的图像，解决方案是缩放或填充图像。但最好是放大。