当使keras模型具有不固定的输入数据大小时，是否可以使用lambda层根据大小来应用不同的层？

Question

我正在处理卷积图像模型，将其转换并存储到yaml文件中，然后在代码中使用它。   输入图像的完整大小为256 * 256，但是在训练过程中，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了完整大小的图像。因此，模型的输入大小设置为“无”。   我想通过仅裁剪该输入层中图像的中间部分（尺寸为64 * 64）来创建模型。这时，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？如果您可以帮助我编写代码，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

您最好在另一个StackExchange中进行询问，例如CrossValidation，但这是一个简短的答案。

当处理不同尺寸的图像时，有两种解决方案。首先是将大图像裁剪为多个子图像，并对每个子图像获得的类进行投票。第二个更好的解决方案是拥有一个完整的卷积网络。您可以用大卷积代替完全连接的块，并为分类层使用全局池（GlobalAveragePooling或MaxPooling）。

请注意，只有当您获得的图像较大时，这些解决方案才有效。如果图像较小，解决方案是缩放图像或填充图像。但更好的变焦。