用于超分辨率的Tensorflow的可变分辨率

我使用张量流将图像缩放了2倍。但由于张量（批量，高度，宽度，通道）决定了分辨率，因此只接受一个分辨率的图像进行推理和训练。用于超分辨率的Tensorflow的可变分辨率

对于其他决议，我必须修改代码并重新训练模型。是否有可能使我的代码解决方案独立？理论上，图像的卷积是独立于分辨率的，我没有看到为什么这是不可能的。

我不知道如何在tensorflow中做到这一点。有什么可以帮助我吗？

感谢

2017-07-25 Kevin Qiu

不确定如何在tensorflow中做到这一点，但在keras（使用张量流作为后端）中，您可以为卷积图层指定未知大小的输入（如[指定]（https://github.com/）例如fchollet/keras/issues/1920）。我怀疑你可以在tf中做类似的事情，例如使用'tf.placeholder（tf.float64，shape = None）'不要赋予变量的大小' – gionni

非常感谢！有效。 –

好了，这里是我做过什么：

输入和输出张量现在有形状（BATCHSIZE，无，无，通道）

训练图像现在已经被调整在网络之外。

重要提醒：培训图像必须是相同的大小，因为他们在批量！一批中的图像必须具有相同的尺寸。当推断批量大小为1时，尺寸无关紧要。

来源

2017-08-02 09:34:25

用于超分辨率的Tensorflow的可变分辨率

回答

相关问题