python设计一个可以通过不同大小颗粒度的卷积神经网络

在Python中设计一个可以根据输入数据的不同颗粒度调整卷积神经网络（Convolutional Neural Network，CNN）的结构，通常涉及到的是深度学习框架如TensorFlow或PyTorch中的动态计算图功能。这种灵活性允许你在不影响模型基本架构的情况下，通过可配置的层数、过滤器大小以及池化窗口等元素来适应不同尺度的数据。

以下是一个简单的例子，展示如何使用Keras API（基于TensorFlow），创建一个模块化的CNN，该模块可以接受不同分辨率的输入：

from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Input
from tensorflow.keras.models import Model
from tensorflow.keras.applications.resnet50 import ResNet50

def create_custom_cnn(input_shape, n_classes):
    base_model = ResNet50(weights='imagenet', include_top=False, input_shape=input_shape)

    # 添加自定义卷积层部分
    x = base_model.output
    for i in range(1, len(base_model.layers) - 2):  # 避免包括顶部的全连接层
        x = base_model.layers[i].output  # 可以根据需要选择不同层的输出

    # 进行全局平均池化，适应不同大小的输入
    x = GlobalAveragePooling2D()(x)

    # 添加一些额外的全连接层
    x = Dense(512, activation='relu')(x)
    predictions = Dense(n_classes, activation='softmax')(x)

    # 创建完整的模型
    model = Model(inputs=base_model.input, outputs=predictions)

    return model

# 使用时，传入不同大小的input_shape，比如：
# small_input_shape = (128, 128, 3)
# large_input_shape = (224, 224, 3)
custom_small_model = create_custom_cnn(small_input_shape, n_classes)
custom_large_model = create_custom_cnn(large_input_shape, n_classes)

在这个例子中，`create_custom_cnn`函数接收输入形状和类别数作为参数，并根据这些信息动态地构建CNN。当你处理不同分辨率的图片时，只需实例化对应输入尺寸的模型即可。