我正在使用Keras训练CNN，但是图像中有30x30补丁。我想用完整的图像测试网络，但是我收到以下错误：
ValueError：GpuElemwise。输入维度不匹配。输入2（指数 从0开始具有shape [1] == 30，但该轴上的输出大小为 100.应用导致错误的节点：GpuElemwise {Composite {（（i0 + i1） - i2）}} [（0,0）]（GpuDimShuffle {0,2,3,1} .0，GpuReshape {4}。 0， GpuFromHost.0）Toposort索引：79输入类型： [CudaNdarrayType（float32,4D），CudaNdarrayType（float32，（True，True， True，False）），CudaNdarrayType（float32,4D）]输入形状：[（10,100， 100,3），（1,1,1,3），（10,30,30,3）]输入步幅：[（30000,100， 1,10000），（0,0,0,1），（2700,90,3,1）]输入值：['not not 显示'，CudaNdarray（[[[[[0.01060364 0.00988821 0.00741314]]]]），'not not 显示']输出客户： [[GpuCAReduce {pre = sqr，red = add} {0,1,1,1}（GpuElemwise {Composite {（（i0 + i1） - i2）}} [（0,0）]。0）]]
这是我的model.predict：
predict_image = model.predict(np.array([test_images[1]]), batch_size=1)[0]
似乎问题是输入大小不能是30x30以外的任何东西，但我网络第一层的第一个输入形状是none，none，3。
model.add(Convolution2D(n1, f1, f1, border_mode='same', input_shape=(None, None, 3), activation='relu'))
是否根本无法测试与我训练过的图像尺寸不同的图像？
答案 0 :(得分：0)
正如fchollet自己描述的那样here，你应该能够如此定义输入：
input_shape=(1, None, None)
但是，如果您有使用Flatten操作的图层，则会失败。
这表明您应该能够使用完全卷积的NN来实现目标。