我尝试使用VGG/Inception对MNIST数据集进行迁移学习。但是这两个网络都需要至少224x224x3大小的图像。我该如何将28x28x1的MNIST图像调整到224x224x3大小来进行迁移学习？

回答：

实现你所问的方法通常是将图像简单地调整到CNN输入层所需的分辨率。因为你使用了keras标签，keras有一个预处理模块，可以让你加载图像并选择性地指定你想要调整图像的大小。如果你查看该方法的实际源代码：https://github.com/keras-team/keras/blob/master/keras/preprocessing/image.py#L321，它内部使用Pillow的插值方法来将图像调整到所需的分辨率。

此外，由于MNIST数字最初是灰度图像，你需要将单通道图像复制成多通道图像，使其人为地变成RGB图像。这意味着红色、绿色和蓝色通道都是相同的，并且是MNIST灰度的对应物。load_img方法有一个额外的标志grayscale，你可以将其设置为False来将图像加载为RGB图像。

一旦你将这些图像转换为RGB并调整大小后，你就可以进行VGG19的迁移学习。事实上，这之前已经做过。你可以参考这个链接：https://www.analyticsvidhya.com/blog/2017/06/transfer-learning-the-art-of-fine-tuning-a-pre-trained-model/，并查看第6节：使用预训练模型识别数字。

我需要提醒你，将28 x 28的图像调整到224 x 224的图像会产生严重的插值伪影。你将对由于上采样而包含噪声的图像数据进行迁移学习，但这正是我在前面链接的博客文章中所做的。我建议你将插值方法改为bilinear或bicubic。默认使用最近邻插值，对于上采样图像来说效果很差。

结果可能会有所不同，所以尝试将图像调整到输入层所需的大小，并填充三个通道使其成为RGB图像，看看会发生什么。