FCN 训练和测试期间的不同图像尺寸

我正在阅读多个相互冲突的 Stackoverflow 帖子，我对现实情况感到非常困惑。

我的问题如下。如果我训练 FCN128x128x3图像，是否可以提供尺寸的图像256x256x3, or B)128x128，或 C）两者都不是，因为训练和测试期间的输入必须相同？

考虑一下post #1 https://stackoverflow.com/questions/38241234/fully-convolution-networks-with-varied-inputs。在这篇文章中，它建议图像在输入和输出期间必须具有相同的尺寸。这对我来说很有意义。

SO post #2 https://stackoverflow.com/questions/39050557/fully-convolutional-network-training-image-size：在这篇文章中，它建议我们可以在测试期间转发不同大小的图像，如果您执行一些奇怪的挤压操作，这就成为可能。完全不确定这怎么可能。

SO post #3 https://stackoverflow.com/questions/57331860/how-does-input-image-size-influence-size-and-shape-of-fully-connected-layer：在这篇文章中，它建议只需要深度相同，而不需要高度和宽度相同。这怎么可能？

据我了解，底线是，如果我接受过训练128x128x3，然后从输入层到第一个卷积层，(1)发生的步数是固定的。最后，(2)固定的特征图大小，相应地，(3)固定数量的权重。如果我突然将输入图像尺寸更改为512x512x3，由于大小的差异，训练和测试的特征图根本无法进行比较UNLESS.

1. 当我输入尺寸的图像时512x512，那么只有顶部128x128被考虑并且图像的其余部分被忽略
2. 512x512 图像在输入网络之前会调整大小。

有人可以澄清这一点吗？正如您所看到的，有多个帖子与此相关，但没有规范的答案。因此，每个人都同意的社区辅助答案将非常有帮助。

这是我的分解，

Post 1

是的，这是做事的标准方式。如果您有可变大小的输入，您可以裁剪/填充/调整它们的大小，以便您的输入都具有相同的大小。

Post 2

请注意，这个人正在谈论“全卷积网络”而不是“全连接网络”。在全卷积网络中，所有层都将是卷积层，只要通道尺寸固定，卷积层就不会消耗任意大小（宽度和高度）的输入。

标准卷积网络需要固定输入大小，因为在将卷积输出馈送到全连接层之前进行了“扁平化”。因此，如果去掉全连接层（即全卷积网络），就不会遇到这个问题。

Post 3

它所说的内容与帖子 2 基本相同（在我看来）。总而言之，如果您的卷积网络具有完全连接的层，并且您尝试输入可变大小的输入，您将得到RunTimeError。但是如果你有一个卷积输出并且输入一个7x7x512（h x w x 通道）输入你会得到一个(1x1x<output_channel>)输出，如果你输入8x8x512输入，你会得到一个(2x2x<output_channel>)输出（由于卷积运算）。

结论

最重要的是，如果您的网络在某处具有完全连接的层，则您无法直接提供可变大小的输入（无需填充/裁剪/调整大小），但如果您的网络是完全卷积的，则可以。

我不知道也无法评论的一件事是概率图何时[None, n, n, num_classes]大小（如帖子＃2），如何将其带到[None, 1, 1, num_classes]因为你需要这样做才能执行tf.squeeze.

Edit 1:

卷积核/输入/输出的行为方式

我添加本节是为了阐明当输入大小发生变化时卷积运算的输入/输出/内核的行为方式。如您所见，输入的更改将更改大小（即高度和宽度尺寸）。但是内核（其形状[height x width x in_channels x out_channels]在此变更期间不会受到影响。

希望这是有道理的。