Question

完成转移学习后，可以使用tf集线器中的模型。就像MobilNetV2或Inception。这些模型期望输入，并具有一定大小的图像。因此，在应用模型之前，必须将图像调整为该大小。在此tutorial中使用以下内容：

feature_extractor_url = "https://tfhub.dev/google/tf2-preview/mobilenet_v2/feature_vector/2" 

feature_extractor_layer = hub.KerasLayer(feature_extractor_url,
                                         input_shape=(224,224,3))

在此示例中，图像之前已被调整为224,224。我想知道input_shape=(224,224,3)。在此tutorial中，预训练模型未加载hub-KerasLayer，而是使用

base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                               include_top=False,
                                               weights='imagenet')

IMG_SHAPE在哪里

IMG_SHAPE = (IMG_SIZE, IMG_SIZE, 3)

，img_size为160。因此，这里的input_shape为input_shape =（160,160,3）。

现在回到：

feature_extractor_layer = hub.KerasLayer(feature_extractor_url,
                                         input_shape=(224,224,3))

我想知道input_shape参数到底告诉我什么还是做什么？所以我不需要在这里输入224,224，对吗？我可以输入其他大小，例如160，因为我的图像已调整为该大小？因此MobilNetV2确实期望224,224，但是使用此选项，我可以指定其他内容吗？对于tf.keras.applications.MobileNetV2，我在documentation的确切位置上找到了答案：

可选的形状元组，如果您想使用模型则要指定输入图像分辨率不是（224，224，3）。这应该有3个输入通道（224、224、3）。您也可以忽略此如果您想从input_tensor推断input_shape，请选择该选项。如果您选择同时包含input_tensor和input_shape 如果形状不匹配，将使用input_shape 那么我们将抛出一个错误。例如。（160，160，3）将是一个有效值值。

因此，当我将图像大小调整为300,300并想要使用MobileNetV2时，可以使用以下代码：

 feature_extractor_url = "https://tfhub.dev/google/tf2-preview/mobilenet_v2/feature_vector/2" 
    
    feature_extractor_layer = hub.KerasLayer(feature_extractor_url,
                                             input_shape=(300,300,3))

还是我必须将大小调整为224,224并在此处输入224,224？

当我检查implementation的初始图像时，图像将调整为299,299，然后使用以下代码：

IMAGE_RES = 299

feature_extractor = hub.KerasLayer(URL,
  input_shape=(IMAGE_RES, IMAGE_RES, 3),
  trainable=False)

是否有必要精确到299？或者我也可以将其大小调整为另一个大小，例如250，并将其作为输入：

   IMAGE_RES = 250

feature_extractor = hub.KerasLayer(URL,
  input_shape=(IMAGE_RES, IMAGE_RES, 3),
  trainable=False)

因此，经过预训练的模型确实期望一定的固定大小，并且存在这个input_shape参数是为了在用户想要使用其他大小的情况下使其具有灵活性，对吗？但是，为什么所有这些示例都将大小调整为模型假定的大小？我也可以将这个尺寸改成其他尺寸，对吗？因此，在所有示例中，它都像模型所期望的那样表达，而我理解这一点，因此我们必须将其调整为与模型所期望的完全相同的大小。但是为此，input_shape参数正好存在，以使其具有灵活性，因此我不必完全调整大小以达到模型期望的大小，而只需将大小调整为所需的大小，并使用input_shape参数将其告诉模型？如在提到的示例中，图像大小为160。还是在我使用tf.keras.applications.MobileNetV2加载预训练模型的情况下才有可能，但是在使用hub.KerasLayer时却无法做到？

Answer 1

这是一个很好的观察结果。

TLDR ，可以为Input Shapes的{{1}}和Models传递不同的tf.keras.applications，但这在我们使用时是不可能的include_top = False和参数tf.keras.applications，以及当我们使用include_top = True中的Models时。

详细说明：

此Tensorflow Hub Documentation声明

Tensorflow Hub

这就是原因，如果我们通过> The height and width dimensions are fixed to the expected size of > input images. (Future work may remove that restriction for fully > convolutional modules.)而不是“期望形状”，则会引发错误，

Image Shape

类似地，当我们使用Expected these arguments to match one of the following 4 option(s): Option 1: Positional arguments (4 total): * TensorSpec(shape=(None, 224, 224, 3), dtype=tf.float32, name='inputs') * True * False * TensorSpec(shape=(), dtype=tf.float32, name='batch_norm_momentum') Keyword arguments: {} Option 2: Positional arguments (4 total): * TensorSpec(shape=(None, 224, 224, 3), dtype=tf.float32, name='inputs') * True * True * TensorSpec(shape=(), dtype=tf.float32, name='batch_norm_momentum') Keyword arguments: {} Option 3: Positional arguments (4 total): * TensorSpec(shape=(None, 224, 224, 3), dtype=tf.float32, name='inputs') * False * True * TensorSpec(shape=(), dtype=tf.float32, name='batch_norm_momentum') Keyword arguments: {} Option 4: Positional arguments (4 total): * TensorSpec(shape=(None, 224, 224, 3), dtype=tf.float32, name='inputs') * False * False * TensorSpec(shape=(), dtype=tf.float32, name='batch_norm_momentum') Keyword arguments: {}的{{1}}和参数 Input Shape 传递不同的Pre-Trained Models时（包括位于顶部），也会引发错误，

tf.keras.applications

但是，如果在使用include_top = True中的ValueError: When setting `include_top=True` and loading `imagenet` weights, `input_shape` should be (224, 224, 3).时设置参数 include_top = False 的值，则Pre-Trained Models可以是灵活，即对于MobileNetV2，我们可以传递列表中的任何形状tf.keras.applications），对于Input_Shape或[96, 128, 160, 192, 224]之类的模型，我们可以传递任何{{1 }}。

了解hub.KerasLayer的input_shape参数

1 个答案: