之前在做keras训练任务的时候都没有考虑过图像数据的输入大小问题，但在实验中发现这也是一个容易陷坑的问题。
1.keras封装好的模型，当include_top=False时，迁移权重训练，图像的输入也不用必须是默认的尺寸。可以是比默认尺寸大的任意尺寸，比默认尺寸小的话，就要考虑够不够计算一系列的卷积池化操作了。
- 权重保存的是卷积“核”的权重，只要卷积核的大小数目不变，即网络模型不变，就可以做迁移学习，图像输入大小只是改变每一层的具体图像块，不影响保存的权重形状
2.图像通过PIL.Image模块直接resize的话，默认resize方式是"nearest",可选项还有"bilinear","bicubic",最近邻采样公式：pixel_B(X,Y)=pixel_A(X*(m/M),Y*(n/N))，所以！做两次resize和一次直接resize的结果很可能不同！
3.keras训练及预测时的图像处理过程如下代码所示，即都是直接调用Image库的resize，与上述的PIL.Image操作相同
# 图片打分predicet
from keras.preprocessing import image
image.load_img()
# 当有target_size时，会进行resize，否则只是读取
img = img.resize(width_height_tuple, resample)
# 训练时候的图片输入
train_generator = train_datagen.flow_from_directory()#生成数据流
hist = model.fit_generate()#生成一个bacth的数据，调用image.load_img()4.综合上述2，3两点，在实验过程中就遇到了以下问题：
用全部数据训练，达到训练准确率99%，当然这肯定是过拟合了的。但是在训练得到的模型提取全连接层特征用xgb重新分类的时候，居然准确率只有67%？
研究了一天后发现，是数据输入的问题。
实验一：训练数据1024，模型输入224，通过模型load_img()直接resize成224，预测的时候同样拿1024数据predict，如2所说，没有问题，xgb的结果也是99%
实验二：预先通过Image将1024的图像resize到512，再通过模型load_img()resize到224，预测的时候错误输入1024的图像，predicet的时候直接resize到224，所以出现了67%结果的错误。
下图可详细说明这个过程。同个区域不同过程的操作，结果不同
