Keras中加载与训练输入尺寸不同的图像问题求助

我明白你遇到的困扰——训练时用41x41的图像块，预测却要处理更大尺寸的图像，设置input_shape=(None, None, ...)后加载权重还是行不通。这其实是Keras模型加载和结构定义的常见问题，我给你几个针对性的解决方案：

• 核心问题：训练模型的固定输入尺寸被固化在模型结构中
  如果你训练时用的是固定(41,41,3)的输入，直接保存的模型会带着这个固定维度。哪怕你后来改了输入形状，直接加载整个模型（load_model）还是会沿用原来的固定尺寸。正确的做法是重新定义可变输入的模型结构，再单独加载权重：

  # 1. 重新构建模型，使用可变输入形状
  from tensorflow.keras.layers import Input, Conv2D
  from tensorflow.keras.models import Model
  
  def build_variable_input_model():
      # 这里把输入形状设为(None, None, 3)，适配任意尺寸的RGB图像
      inputs = Input(shape=(None, None, 3))
      # 完全复制你训练时的模型层结构，不要修改层的参数（比如卷积核数量、大小）
      x = Conv2D(64, (3,3), activation='relu', padding='same')(inputs)
      # ... 这里添加你模型的其他卷积、上采样等层，和训练时完全一致
      outputs = Conv2D(3, (3,3), padding='same')(x)  # 输出和输入通道数一致
      
      model = Model(inputs=inputs, outputs=outputs)
      return model
  
  # 2. 加载训练好的权重
  model = build_variable_input_model()
  model.load_weights('your_training_weights.h5')  # 注意是加载权重，不是整个模型
  

• 检查模型中是否存在固定尺寸的层
  如果你的模型里有Flatten、Dense这类依赖输入尺寸的层，哪怕设置了可变输入也没用——这些层的权重形状是固定的，无法适配不同大小的输入。解决办法是：

  • 替换成全卷积的替代方案，比如用GlobalAveragePooling2D代替Flatten + Dense（如果涉及分类任务，但超分辨率场景一般不会用到这类层，不过还是要仔细检查）
  • 确保所有层都是卷积、池化、上采样这类不依赖固定输入尺寸的层（池化只要步幅固定，就能处理任意尺寸的输入，只要输出尺寸为整数即可）

• 验证可变输入是否生效
  你可以用一张大尺寸图像测试：

  import numpy as np
  import cv2
  
  # 读取并预处理大图像
  img = cv2.imread('large_test_image.jpg')
  img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) / 255.0
  img = np.expand_dims(img, axis=0)  # 增加batch维度
  
  # 预测
  super_res_img = model.predict(img)
  # 处理输出，比如去掉batch维度，转成0-255的图像
  super_res_img = np.squeeze(super_res_img) * 255.0
  super_res_img = super_res_img.astype(np.uint8)
  

这样应该就能解决你遇到的问题了——关键是要先构建可变输入的模型结构，再加载训练好的权重，而不是直接加载原来的固定尺寸模型。

内容的提问来源于stack exchange，提问作者Fawaz