如何在Matlab中用64x64图像训练原输入为224x224的深度学习网络

要直接用64×64的RGB图像训练原本设定为224×224输入的深度学习网络，无需缩放图像，可按以下步骤在MATLAB中实现：

1. 修改网络输入层尺寸 #

原网络的输入层固定为224×224×3，我们需要调整它来适配64×64的图像，有两种方式：

• 固定适配64×64：直接将输入层的尺寸设为64×64×3，适合只需要处理64×64图像的场景：

  % 自定义网络时初始化输入层
  inputLayer = imageInputLayer([64 64 3], 'Name', 'input');
  % 如果是加载的预训练网络（比如ResNet50），替换输入层
  net = resnet50;
  net.Layers(1) = imageInputLayer([64 64 3], 'Name', 'input');
  

• 兼容任意尺寸（含64×64）：用NaN表示高度和宽度维度可接受任意大小，对应你给出的示例代码，这种方式让网络能处理不同尺寸的图像：

  imageSize = [NaN NaN 3]; % NaN代表任意高/宽，3代表RGB三通道
  inputLayer = imageInputLayer(imageSize, 'Name', 'input');
  

2. 适配后续网络层（关键） #

如果网络包含全连接层，输入尺寸从224×224改成64×64后，全连接层的输入维度会发生变化，必须调整：
比如原网络最后一个卷积层在224×224输入下输出7×7×512的特征图，对应全连接层输入为7×7×512=25088；换成64×64输入后，假设卷积步长、padding不变，特征图尺寸会变为2×2×512，此时全连接层的输入维度要改成2×2×512=2048，示例代码：

% 替换原全连接层，以分类10类为例
fcLayer = fullyConnectedLayer(10, 'Name', 'fc', 'InputSize', 2048);
% 找到原网络中全连接层的位置并替换
net.Layers(find([net.Layers.Type] == 'FullyConnectedLayer')) = fcLayer;

如果网络是纯卷积结构（无全连接层），则无需这一步，卷积层会自动适配输入尺寸。

3. 准备64×64图像数据集 #

直接加载64×64的图像，不需要做resize操作：

% 加载数据集，按文件夹分类标签
ds = imageDatastore('你的图像文件夹路径', ...
    'IncludeSubfolders', true, ...
    'LabelSource', 'foldernames');

% 可选：验证图像尺寸
sampleImg = imread(ds.Files{1});
disp(size(sampleImg)); % 应显示 [64 64 3]

4. 启动训练 #

用修改后的网络和数据集训练即可：

% 设置训练选项
trainingOpts = trainingOptions('adam', ...
    'InitialLearnRate', 1e-4, ...
    'MaxEpochs', 20, ...
    'MiniBatchSize', 32, ...
    'ValidationData', 验证数据集, ...
    'ValidationFrequency', 5, ...
    'Verbose', true, ...
    'Plots', 'training-progress');

% 开始训练
trainedNet = trainNetwork(ds, net, trainingOpts);

内容的提问来源于stack exchange，提问作者Noha