1.背景
我們在model各層之間轉換時，難免要對tensor的shape做改變。我在這裏記錄一下幾個改變大小的函數。
2.方法
（1）Reshape
我這裏指的是keras.layers.Reshape層，當然也有reshape方法，一個道理。
x = Reshape((H*W, classes)) (x)
比如這樣的，我想要將一個（H，W，classes）變成上述的（H*W,classes）,這樣的變化在轉換爲one-hot編碼時候會使用到。我們可以看到Reshape，你需要前後元素的數目一致，不能說(H,W)的圖reshape成（H1*W1）等諸如此類的，如果那樣的話，就會報錯。
那麼，如果我想要縮小圖片或者擴大圖片，我該怎麼做呢？下面介紹幾種方法。
（2）K.tf.image.resize_bilinear（只能針對channel_last處理）
這個函數可以將你的tensor轉換成你想要的目標大小，但是這個函數只能針對channel_last的tensor，也就是你輸入的數據它默認並且只限定你是（batchsize，h，w，channel），並且它會對你的第1維和第2維做調整：
x=K.tf.image.resize_bilinear(x,size=(target_h,target_w))
這就很難受了，如果你恰好是channel_first的模型，那可咋整，下面有一種方法，可解燃眉之急。
（3）keras.backend.resize_images(x, H_factor,W_factor, data_format='channels_first')
使用這個函數的話，我們可以指定其data_format，這樣的話我們就可以開心玩耍了，但是這個函數的侷限性是，他的兩個參數H_factor和W_factor並不是要調整的最終大小，而是一個倍數值。
怎麼理解呢，比如說你現在輸入一個（H1，W1）的tensor，而你現在這兩個參數分別是（Hf，Wf），那麼你最終得到的是（H1*Hf，W1*Wf），並且得到的這兩個數必須是int型的整數，不然會報錯，這也是這個函數的一定侷限性。
Tip：如果你的目標值是Target_h，而你現有值是Now_h,那麼你的H_factor只要取 Target_h / Now_h即可。
你的Now_h，你可以通過K.int_shape(x)[1](對應channel_last)取出來（K是指“ from keras import backend as K”）
（4）上述兩個是針對四維的，另外還有針對五維的，暫時貼出來，用的話可以去這兒查：關於tf的resize函數
tf.keras.backend.resize_volumes(
x,
depth_factor,
height_factor,
width_factor,
data_format
)
定義在：tensorflow/python/keras/backend.py。
調整5D張量中包含的體積。
參數：
- x：要調整大小的Tensor或變量。
- depth_factor：正整數。
- height_factor：正整數。
- width_factor：正整數。
- data_format：可以是"channels_first"，"channels_last"其中之一。
