我有一组包含灰度图像的数据集，我希望在这些图像上训练一个最先进的卷积神经网络（CNN）。我非常希望能对预训练的模型（如这里的模型）进行微调。
问题在于，我能找到的几乎所有模型的权重都是在ImageNet数据集上训练的，而该数据集包含的是RGB图像。
我无法使用这些模型，因为它们的输入层期望的批次形状是(batch_size, height, width, 3)或在我这里的(64, 224, 224, 3)，但我的图像批次形状是(64, 224, 224)。
有什么办法可以使用这些模型吗？我考虑过在加载权重后删除输入层并添加我自己的层（就像我们对顶层所做的那样）。这种方法正确吗？
回答：
模型的架构不能更改，因为权重已经针对特定的输入配置进行了训练。如果用你自己的层替换第一层，基本上会使其余权重变得无用。
— 编辑：根据Prune的建议进行了详细说明–
CNNs的设计使得它们越往深处，就能从前一层提取的低级特征中提取出更高层次的特征。删除CNN的初始层会破坏这种特征层次结构，因为后续层不会接收到它们应得的输入特征。在你的例子中，第二层已经被训练为期望第一层的特征。用随机权重替换你的第一层，相当于丢弃了对后续层所做的所有训练，因为它们需要重新训练。我怀疑它们无法保留在初始训练期间学到的任何知识。
— 编辑结束 —
不过，有一种简单的方法可以使你的模型适用于灰度图像。你只需让图像看起来像是RGB图像。最简单的方法是在新维度上将图像数组重复3次。因为你在所有3个通道上都有相同的图像，模型的性能应该和在RGB图像上一样。
在numpy中，可以轻松地这样做：
print(grayscale_batch.shape) # (64, 224, 224)rgb_batch = np.repeat(grayscale_batch[..., np.newaxis], 3, -1)print(rgb_batch.shape) # (64, 224, 224, 3)这种方法的工作原理是首先创建一个新维度（用于放置通道），然后在该新维度上重复现有数组3次。
我还非常确定，keras的ImageDataGenerator可以将灰度图像加载为RGB图像。
