Nat*_*ens 3 python neural-network deep-learning keras
我已经用Keras训练了一个全卷积神经网络。我使用了Functional API，并将输入层定义为Input(shape=(128,128,3))，与我的训练集中的图像大小相对应。
但是，我想在可变大小的图像上使用经过训练的模型（应该可以，因为网络是完全卷积的）。为此，我需要将输入层更改为Input(shape=(None,None,3))。解决问题的明显方法是直接使用输入形状训练我的模型，(None,None,3)但是我使用自定义损失函数来指定训练图像的大小。
我试图定义一个新的输入层，并将其分配给我的模型，如下所示：
from keras.engine import InputLayer
input_layer = InputLayer(input_shape=(None, None, 3), name="input")
model.layers[0] = input_layer
实际上，这实际上会更改输入层的大小，但随后的层仍然需要(128,128,filters)输入。
有没有办法一次更改所有输入值？
创建一个新模型，除了新的输入形状外，其他模型完全相同；和转移权重：
newModel.set_weights(oldModel.get_weights())
如果出现任何问题，则可能不是完全卷积（例如：包含Flatten层）。