輸入圖像大小（以tf.gradients為單位）

Question

我正在嘗試計算相對於輸入圖像的某一層的梯度。 漸變定義為

feature = g.get_tensor_by_name('inception/conv2d0_pre_relu:0')
gradient = tf.gradients(tf.reduce_max(feature, 3), x)

而我的輸入圖像的形狀為（299,299），即初始訓練的大小

print(img.shape)
# output (299,299,3)

然后，相對於輸入的梯度可以計算為

img_4d=img[np.newaxis]
res = sess.run(gradient, feed_dict={x: img_4d})[0]
print(res.shape)
# output (1,299,299,3)

我們看到漸變具有與輸入圖像相同的形狀，這是預期的。

但是，似乎可以使用任何大小的圖像，但仍然可以得到漸變。 例如，如果我有一個img_resized與形狀（150,150,3），相對於梯度至該輸入也將與形狀（150,150,3）：

img_resized=skimage.transform.resize(img, [150,150], preserve_range=True)
img_4d=img_resized[np.newaxis]
res = sess.run(gradient, feed_dict={x: img_4d})[0]
res.shape
# output (1,150,150,3)

那為什么行得通呢？ 在我的幼稚圖片中，輸入圖像的尺寸必須固定為（299,299,3），並且相對於輸入的某一層的漸變將始終為（299,299,3）。 為什么能夠生成其他大小的漸變？

換句話說，以上代碼會發生什么？ 當我們輸入形狀為（150,150,3）的圖像時，tensorflow是否將圖像大小調整為（299,299,3）並計算形狀為（299,299,3）的梯度，然后將梯度調整為（150,150,3）？

Answer 1

這是預期的現象，尤其是。 在初始網絡的情況下，由於是完全卷積網絡，它可以與任何大小的輸入配合使用。 與Alexnet或VGG依賴於網絡后期的完全連接層不同，完全卷積網絡可以在任何大小的輸入上工作。 希望這能回答您的問題。