我已经看到了许多超分辨率网络，这似乎暗示可以在（x，y，d）的输入上训练网络，然后将任意大小的图像传递到模型中进行预测，例如，Keras用占位符值（None，None，3）指定，并且可以接受任何大小。
例如，https://github.com/krasserm/super-resolution在24x24x3的输入上训练，但可以接受任意大小的图像进行大小调整，演示代码使用124x118x3。
这是理智的做法吗？当网络获得较大的输入时，它是否会像在较小尺寸的图像上所施加的权重一样，在其上滑动一个窗口？
卷积绝对没有问题，它们将以预期的方式工作，具有相同的权重，相同的内核大小等。
唯一可能的问题是：模型可能尚未了解图像的新比例（因为以前从未见过此比例），可能会给您带来较差的结果。
另一方面，可以用许多大小/比例来训练模型，从而变得对变化更鲁棒。
Flatten，Reshape等会出现问题。仅GlobalMaxPooling2D和GlobalAveragePooling2D支持不同的尺寸。