我最近从TensorFlow转到了PyTorch。我使用一个著名的Github仓库来训练EfficientNets。我编写的模型初始化类如下所示：

    class CustomEfficientNet(nn.Module):        def __init__(self, config: type, pretrained: bool=True):            super().__init__()            self.config = config            self.model = geffnet.create_model(                model_name='EfficientNetB5',                pretrained=pretrained)            n_features = self.model.classifier.in_features            self.model.classifier = nn.Linear(n_features, num_classes=5)                        def forward(self, input_neurons):            output_predictions = self.model(input_neurons)            return output_predictions

此外，在我的transforms中，我倾向于使用Resize(img_size = 512, img_size=512)来处理某些图像分类任务的训练（主要是Kaggle竞赛）。所以这里的问题是，EfficientNetB5的官方输入尺寸是456×456，但我使用了512×512甚至256×256，并且取得了非常不错的结果。这是正常的吗？还是我错过了作者会为你调整到原生分辨率的源代码部分？

附注：这似乎是我在Kaggle上看到的所有PyTorch教程中的常态。我的完整代码可以在这里查看笔记本；我喜欢不留下逻辑漏洞，因此这个问题就出现了。

回答：

是的，在进行迁移学习时，你可以使用不同的输入尺寸，归根结底，你加载的模型只是固定层序列和固定卷积核尺寸的权重集合。但我认为模型需要一个最小的尺寸才能高效工作。你仍然需要重新训练模型，但它仍然会很快收敛。

你需要检查官方实现中关于模型最小尺寸的说明，比如在VGG16中，他们规定宽度和高度至少需要32。