我有不同大小的输入图像，我将它们传递给 CNN 中的 Conv 层，之后我应该将 Conv 输出连接到全连接层以进行分类。
由于必须对过程进行矢量化，因此输出必须具有相同的形状，以便可以将一批图像用于前向传递。因此，在全连接层的输入处，所有图像都具有相同形状的问题。
但是由于我的输入图像具有不同的形状，我的最终 Conv 层给出了不同形状的输出，我如何将来自 Last Conv 层的不同形状的输出合并/重塑为固定形状，以便它们可以连接到直接的 FCN 层？
此外，我考虑过在处理之前将图像重新整形为固定大小，但由于我的输入图像变化很大，因此存在性能[准确性]问题[所以，试试这个]。
如果您的输入在示例中是一致的（即 if inputs = image1, image2，那么您的所有image1s 大小相同，所有image2s 大小相同，但image1.shape不一定相同，因为image2您可以将最终的 conv 输出变平并在传递之前连接结果到致密层。
conv1_out = conv_network1(image1)
conv2_out = conv_network2(image2) # could be same network
flat1 = tf.layers.flatten(conv1_out)
flat2 = tf.layers.flatten(conv2_out)
dense_in = tf.concat((flat1, flat2), axis=1)
dense_out = tf.layers.dense(dense_in, units)
或者，如果您的图像在批次间大小不同，如果您有大量空间特征，则空间池化是另一种流行的选择。
flat1 = tf.reduce_mean(conv1_out, axis=(1, 2))
flat2 = tf.reduce_mean(conv2_out, axis=(1, 2))
您也可以使用最大池化，尽管行为略有不同。