如何修改Keras全卷积神经网络输入层以适配可变尺寸图像

当然有不用重新训练的办法！你提到的全卷积网络（FCN）本身就设计来处理可变尺寸输入，只是训练时固定的输入层限制了它的灵活性——咱们只需要重新构建输入层，把训练好的权重迁移过去就行，完全不用再跑一遍训练流程。

核心思路 #

FCN的所有层都是卷积、池化、上采样这类不依赖固定空间尺寸的层（没有全连接层），所以只要重新搭建一个输入尺寸为(None, None, 3)的模型结构，再把原模型训练好的权重加载进去，就能直接用了。

具体实现步骤 #

假设你已经有一个训练好的模型trained_model，输入层是Input(shape=(128,128,3))，可以按以下步骤操作：

1. 重新定义输入层并构建新模型

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input

# 获取原模型的输出层
output = trained_model.layers[-1].output

# 定义新的可变尺寸输入层
new_input = Input(shape=(None, None, 3))

# 将新输入层连接到原模型的所有后续层
x = new_input
for layer in trained_model.layers[1:]:
    x = layer(x)

# 构建新模型
variable_input_model = Model(inputs=new_input, outputs=x)

2. 加载原模型的权重

# 直接把原模型的权重导入新模型
variable_input_model.set_weights(trained_model.get_weights())

3. 验证新模型的可用性
   你可以用任意尺寸的图像测试，比如：

import numpy as np

# 测试一张256x256的随机图像
test_image = np.random.rand(1, 256, 256, 3)
prediction = variable_input_model.predict(test_image)
print(f"输入尺寸：(256,256,3)，输出尺寸：{prediction.shape}")

注意事项 #

• 确保原模型是纯全卷积结构：如果模型里包含全连接层（Dense）或者依赖固定输入尺寸的自定义层，这个方法就不适用了——因为全连接层的参数维度是固定的，无法适配可变尺寸的输入。
• 全局池化层的特殊情况：如果模型用了GlobalAveragePooling2D这类全局池化层，输出会是固定维度的向量，但模型依然能处理任意尺寸的输入，只是输出维度不变而已。
• 显存限制：处理更大尺寸的图像会占用更多GPU显存，推理时要根据你的硬件情况调整输入尺寸，避免显存溢出。

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