Question

代码以重现错误：

import tensorflow as tf
from tensorflow import keras

inputs = keras.layers.Input(shape=(7,7,256))

keras_resized = keras.backend.resize_images(inputs,224,224,data_format='channels_last',interpolation='bilinear')

tf_resized = tf.image.resize_bilinear(inputs,(224,224))

我有以下发现：

1 。 tf_resized.get_shape()给出：

TensorShape（[Dimension（None），Dimension（224），Dimension（224），Dimension（256）]）

预期结果。

2 。 keras_resized.get_shape()给出的位置：

TensorShape（[Dimension（None），Dimension（1568），Dimension（1568），Dimension（256）]）

这令人困惑。

3 。但是：

mean_input = keras.backend.mean(inputs, axis=[1,2], keepdims=True)
keras_resized = keras.backend.resize_images(mean_input,224,224,data_format='channels_last',interpolation='bilinear')

然后keras_resized.get_shape()给出：

TensorShape（[Dimension（None），Dimension（224），Dimension（224），Dimension（256）]）

我需要帮助

调整大小的方法有何不同
应该在哪种情况下使用？
案例1和3是否等效？

Answer 1

据我了解，在TF 2.0中有两个用于调整图像大小的功能，即：

tf.keras.backend.resize_images
tf.image.resize or tf.image.resize_images

这两个功能各有利弊。

对于tf.keras.backend.resize_images

优点：支持不同的张量通道顺序（请参见data_format参数）缺点：图片只能按整数倍放大，而不能缩小（因为height_factor和width_factor必须为正整数）

对于tf.image.resize或tf.image.resize_images，优点是： 1）它支持

等不同的插值方法

ResizeMethod.BILINEAR: Bilinear interpolation
ResizeMethod.NEAREST_NEIGHBOR: Nearest neighbor interpolation
ResizeMethod.BICUBIC: Bicubic interpolation
ResizeMethod.AREA: Area interpolation

2）此外，它还支持图像缩小。

根据要求可以使用这些方法

谢谢

Answer 2

实际上，您不必将相同的参数传递给两个函数。例如，如果你想从 7 到 224，那么你需要输入 tensorflow 方法：

tf.image.resize(inputs,(224,224))

但是使用 keras 方法，您必须指定 height_factor 和 width_factor ：所以在这种情况下 224/7 = 32

tf.keras.backend.resize_images( image, 32, 32, data_format)

用keras和tensorflow调整大小会得到不同的结果

2 个答案: