迁移学习场景下VGG19能否修改输入图像尺寸？修改后不收敛如何解决

• 预训练权重输入适配错误
  VGG19公开预训练权重全部基于ImageNet 224×224规格图像训练得到，直接将输入尺寸改为256×256后，backbone卷积层接收的特征分布与预训练阶段的分布完全不匹配，预训练权重无法提取有效语义特征。若修改尺寸时未同步调整全连接层输入维度（224输入对应池化输出为7×7×512，256输入对应为8×8×512），还会出现隐藏的维度不匹配问题，直接导致模型参数更新失效。
• 迁移学习策略与新数据集不匹配
  原示例适配的石头剪刀布数据集类别简单、和ImageNet预训练数据的物体重合度高，通常冻结大部分backbone层即可达到不错效果。若自有数据集是和预训练数据差异极大的垂类数据，仍然沿用原示例的冻结策略，会导致特征提取层完全无法适配新数据的特征，模型无学习能力。
• 预处理与训练配置未同步调整
  原示例的图像预处理逻辑（减均值、归一化、数据增强策略）全部适配224×224输入，若仅修改输入尺寸参数未同步调整预处理逻辑，会导致输入数据分布异常。另外如果新数据集类别数和原示例的3类不一致、损失函数/学习率未适配新数据集，也会出现训练全程无提升的问题。
• 数据集本身缺陷
  如果自有数据集存在标注错误、训练验证集划分泄露、类别极度不平衡的问题，也会出现验证集指标无提升的现象。

• 对齐输入与预训练权重的适配逻辑
  如果没有自定义预训练的条件，优先将256×256的图像通过中心裁剪/Resize调整为224×224，复用原有预处理逻辑验证模型是否能正常收敛。如果必须使用256×256作为输入，需要替换为适配256×256输入的VGG19预训练权重，或重新初始化全连接层参数，调整全连接层的输入维度匹配256输入的池化输出维度。
• 调整迁移学习的微调策略
  针对差异较大的自有数据集，降低冻结的backbone层数：初期先冻结全部backbone训练顶层分类器2-3个epoch，再解冻top3-top5层的卷积层，使用更小的学习率（比顶层分类器学习率小1-2个数量级）联合微调，让模型逐步适配新数据集的特征。
• 同步调整训练配置
  根据自有数据集的类别数修改输出层的维度，重新匹配损失函数（单标签分类任务优先用交叉熵损失，多标签任务调整为二元交叉熵损失），将初始学习率降低为原示例的1/5-1/10，配合学习率衰减策略训练。
• 排查数据集问题
  抽样验证数据集标注的准确率，检查训练集和验证集是否存在重复样本、类别不平衡比例是否超过10:1，如果不平衡可以通过加权损失、重采样的方式修正。

内容的提问来源于stack exchange，提问作者oadeveloper