tf.gradients中的输入图像大小

Question

我试图计算某个层相对于输入图像的渐变。渐变定义为

feature = g.get_tensor_by_name('inception/conv2d0_pre_relu:0')
gradient = tf.gradients(tf.reduce_max(feature, 3), x)

我的输入图片的形状为（299,299），其大小为inception is trained at

print(img.shape)
# output (299,299,3)

然后，相对于输入的梯度可以计算为

img_4d=img[np.newaxis]
res = sess.run(gradient, feed_dict={x: img_4d})[0]
print(res.shape)
# output (1,299,299,3)

我们看到渐变具有与输入图像相同的形状，这是预期的。

然而，似乎可以使用任何大小的图像但仍然可以获得渐变。例如，如果我有img_resized形状（150,150,3），则相对于此输入的渐变也将具有（150,150,3）的形状：

img_resized=skimage.transform.resize(img, [150,150], preserve_range=True)
img_4d=img_resized[np.newaxis]
res = sess.run(gradient, feed_dict={x: img_4d})[0]
res.shape
# output (1,150,150,3)

那么为什么这样呢？在我的朴素图片中，输入图像的尺寸必须固定在（299,299,3），并且某个层相对于输入的渐变总是具有（299,299,3）的形状。为什么它能够生成其他尺寸的渐变？

换句话说，上面的代码会发生什么？当我们提供具有形状（150,150,3）的图像时，张量流是否将图像调整为（299,299,3）并计算具有形状的渐变（299,299,3），然后将渐变调整回（150,150,3）？< / p>

Answer 1

这是一种预期的现象，尤其是在初始网络的情况下，由于完全卷积网络，它可以与任何大小的输入一起工作。与Alexnet或VGG不同，它依赖于网络后期的完全连接层，完全卷积网络可以在任何大小的输入上工作。希望这能回答你的问题。