152層的 Resnet的圖片輸入尺寸為224*224，那對於大多數情況，圖片的解析度都是大於這個數值，那麼該如何把圖片的尺寸裁剪到這樣一個尺寸，又如何進行資料增強呢？

第一，調整尺寸(Rescaling)
先將圖片較短的那條邊，隨機縮放到[256,480]這樣一個範圍內。注意，此時的圖片是等比例縮放的。舉個例子，原始圖片的尺寸為[1000,800,3]，假設圖片短邊縮放到256，那麼此時圖片的尺寸即為[320,256,3]，即圖片的長寬比例是不變的。

第二，裁剪(Cropping)
將圖片進行水平翻轉，然後從原圖片和翻轉後的圖片中，隨機裁剪出224*224的圖片。那到底裁幾張呢？Resnet沒有明說。。。我覺得還是看自己計算機的配置。因為從理論上來說，假設裁剪過後的圖片尺寸為[256,256,3]，如果按照步長為1，最多可以裁剪出(256-224)*(256-224) = 1024張，再加上水平翻轉的圖片，還要乘以個2，也就是2048張圖片。一張圖片擴充套件了2048倍，肯定是非常誇張了，那所以，我的做法是隨機裁剪個10張，就差不多了。

第三，歸一化(Normalizing)
具體做法就是對於整個訓練集圖片，每個通道分別減去訓練集該通道平均值。

第四，顏色抖動（color shifting)
這裡resnet 引用的是Alexnet 2012年提出的做法，對於每張圖片，每個通道的資料先由二維轉成一維（例如256*256*3，轉成65536*3），再對該圖片（65536*3）三個通道求出協方差矩陣（3*3），再求出協方差矩陣的特徵向量p和特徵值λ，最後按照下圖這樣一個公式進行轉換進行變換， 這裡α是一個服從均值為0，方差為0.1的隨機變數（簡單來說就是一個很小的隨機數），[p1,p2,p3]是一個3*3的矩陣，[λ1,λ2,λ3]的轉置是一個3*1的矩陣，最後矩陣相乘的結果也是個3*1的矩陣，剛好可以和原圖片3個通道相加，這裡執行的是python中的廣播機制，即圖片每個通道65536個畫素點都加上同一個數。

這樣就完成了顏色的隨機抖動，不過我一直想不明白特徵值乘以特徵向量有著什麼樣的數學解釋，如果您知道，請聯絡我（QQ380922457，知乎ID：樑航銘）

第五,測試方法
先抽取測試集影象的四個角以及中間的224×224部分，還包括映象共有10個部分(Patch)結果，再對這10個輸入的測試結果做平均作為我們對該測試集圖片的最終測試結果。

連結：https://www.jianshu.com/p/739df8235587
來源：簡書