对含有全连接层的网络输入数据大小固定问题的理解

固定大小是说送入网络训练的每一个数据大小需要一样， 除了何凯明团队提出的 Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 利用空间金字塔池化将任意大小的图像输出成固定的输出，然后输出到后面的全连接层解决了固定大小的问题。但是固定大小不代表网络输入必须是这个大小，比如说现在输入图像大小为227x227，那么你所有图像都必须为227x227, 不能出现不一样的, 但是你也可以将图像都改为224x224(没有预训练模型的情况下)。
　　解释：含有全连接层的网络输入数据的大小应该是固定的，这是因为全连接层和前面一层的连接的参数数量需要事先确定，不像卷积核的参数个数就是卷积核大小，前层的图像大小不管怎么变化，卷积核的参数数量也不会改变，但全连接的参数是随前层大小的变化而变的，如果输入图片大小不一样，那么全连接层之前的feature map也不一样，那全连接层的参数数量就不能确定， 所以必须实现固定输入图像的大小。
　　另外全连接的实现可以通过卷积的方式进行， 这里有两种情况：

1. 前层为卷积层或池化层（就是全连接层的输入是feature_map，而不是单个值）：
   比如前层输出为512x5x5的feature map，全连接层有500个神经元，那这可以看做是用5x5的卷积核对前层的这些feature map进行卷积，最后输出500x1x1的feature map；

2. 前层是全连接层
   若前层有500个神经元，当前层有100个，那可以看做前层有500x1x1个feature map，然后用1x1的卷积核对这些feature map进行卷积，则得到100x1x1个feature map。