我正在尝试训练一个具有两个类别的图像分类器，以下是我的神经网络结构：
model=Sequential()model.add(tf.keras.layers.Conv2D(3,(3,3),activation="relu"))model.add(tf.keras.layers.Conv2D(32,(3,3),activation="relu"))model.add(tf.keras.layers.Conv2D(16,(3,3),activation="relu"))model.add(tf.keras.layers.Conv2D(8,(3,3),activation="relu"))model.add(Flatten())model.add(Dense(2,activation="softmax"))当所有图像调整到特定大小后，这个模型运行良好。但我希望在不调整图像大小的情况下进行训练。当我移除Flatten层后，我的模型可以处理任意大小的图像输出。然而，当我使用Flatten层并尝试使用不同大小的图像时，第二次使用模型时会出现错误。请问有没有可以替代Flatten层的方案，可以处理任意输入形状的图像？
回答：
你可以创建一个不需要预设输入形状的CNN。你需要用GlobalMaxPool2D替换Flatten。与Flatten不同，GlobalMaxPool2D的输出张量大小取决于存在的特征图数量，而不受每个特征图输入形状的影响。Flatten层通过将二维转换为一维输出，从而固定了大小。每个特征图的形状依赖于初始输入大小，但特征图的数量是由模型决定的。将输入形状指定为(None, None, channels)，这将让模型知道该维度中的元素数量是不固定的（就像批量训练一样）。答案可能看起来有点混乱，但总结起来你需要做以下几件事：
- 将Flatten改为GlobalMaxPool2D
- 将输入形状改为(None, None, channels) – 根据图像维数重复None，通道数是必需的。
