解决这个问题可以使用机器学习和图像处理的方法。以下是一个示例解决方案的代码：

import numpy as np
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing import image

# 加载训练好的模型
model = load_model('model.h5')

# 定义图像尺寸
image_sizes = [(100, 100), (200, 200), (300, 300)]

# 预测不同尺寸的图片
for size in image_sizes:
    img_path = 'image_{}.jpg'.format(size[0])  # 假设图片以不同尺寸命名，例如image_100.jpg、image_200.jpg等
    img = image.load_img(img_path, target_size=size)
    img_array = image.img_to_array(img)
    img_array = np.expand_dims(img_array, axis=0)
    img_array /= 255.0

    # 进行预测
    prediction = model.predict(img_array)
    # 假设模型输出为一个类别的概率向量，可以通过argmax获取最可能的类别
    predicted_class = np.argmax(prediction)

    print('Image size: {}, Predicted class: {}'.format(size, predicted_class))

在这个示例中，我们假设有训练好的模型model.h5，它可以对图片进行分类预测。我们定义了不同的图像尺寸，并对每个尺寸的图片进行预测。首先，我们加载图片，并将其调整为模型所需的尺寸。然后，我们将图像转换为numpy数组，并进行归一化处理。最后，我们使用加载的模型进行预测，并通过argmax获取最可能的类别。最后，我们打印出图像尺寸和预测的类别。

请注意，这只是一个示例解决方法，具体的实现方式可能因具体情况而有所不同。