我阅读了多个相互矛盾的Stackoverflow帖子，我真的很困惑现实情况到底是什么样的。
我的问题如下。如果我在128x128x3大小的图像上训练了一个FCN，是否可以输入256x256x3大小的图像，或者B)128x128，或者C) 都不能，因为训练和测试时的输入必须相同？
考虑StackOverflow的帖子#1。在这篇文章中，它建议输入和输出的图像必须具有相同的尺寸。这对我来说是合理的。
StackOverflow的帖子#2：在这篇文章中，它建议我们在测试时可以输入不同大小的图像，如果你做了一些奇怪的压缩操作，这是可能的。我完全不确定这是如何可能的。
StackOverflow的帖子#3：在这篇文章中，它建议只需要深度相同，高度和宽度不需要相同。这是怎么可能的？
根据我的理解，底线是，如果我在128x128x3上进行了训练，那么从输入层到第一个卷积层，(1)会发生固定的步长数。因此，(2)有一个固定的特征图大小，并且相应地，(3)有一个固定的权重数量。如果我突然将输入图像大小更改为512x512x3，由于尺寸的差异，训练和测试的特征图根本无法比较，除非。
- 当我输入
512x512大小的图像时，只考虑顶部的128x128，忽略图像的其余部分 - 在将图像输入网络之前，先对512×512的图像进行缩放。
能有人澄清一下吗？正如你所看到的，关于这个问题有多个帖子，没有一个标准答案。因此，一个社区帮助下的大家都同意的答案将非常有帮助。
回答：
这是我的分析，
帖子1
是的，这是做事情的标准方式。如果你有不同大小的输入，你可以裁剪/填充/调整大小它们，以便你的输入都是相同的大小。
帖子2
注意这个人谈论的是“全卷积网络”，而不是“全连接网络”。在全卷积网络中，所有层都是卷积层，卷积层在消耗任意大小（宽度和高度）的输入时没有问题，只要通道维度是固定的。
需要固定输入大小的原因是，在标准卷积网络中，由于在将卷积输出输入到全连接层之前进行的“扁平化”操作。所以如果你去掉全连接层（即全卷积网络），你就不会有这个问题。
帖子3
它基本上在说和帖子2相同的事情（在我看来）。总结一下，如果你的卷积网络有一个全连接层，并且你尝试输入不同大小的输入，你会得到一个RunTimeError。但如果你有一个卷积输出，并且你输入一个7x7x512（高x宽x通道）的输入，你会得到一个(1x1x<output_channel>)的输出，如果你输入8x8x512的输入，你会得到一个(2x2x<output_channel>)的输出（因为卷积操作）。
结论
底线是，如果你的网络在某处有全连接层，你不能直接输入不同大小的输入（不进行填充/裁剪/调整大小），但如果你的网络是全卷积的，你可以这样做。
有一件事我不知道也无法评论的是，当概率图是[None, n, n, num_classes]大小时（如帖子#2中），如何将其转换为[None, 1, 1, num_classes]，因为你需要这样做才能执行tf.squeeze操作。
编辑1：
卷积核/输入/输出的行为方式
我添加这一节来澄清当输入大小变化时，卷积操作的输入/输出/核的行为方式。如你所见，输入的变化会改变大小（即高度和宽度维度）。但核（形状为[height x width x in_channels x out_channels]）在这种变化中不会受到影响。
希望这有意义。
