一句話：
全連接層的一個神經元對應一個輸入。
換句話說，
全連接層要求固定的輸入維度。
數學推導：
大家都知道， z=wx+b，全連接神經網絡結構一旦固定，需要學習的參數w是固定的，例如 輸入圖像是 28*28 = 784，w 的轉置= （500，784），===> 輸出矩陣的shape:(500,1)，如果輸入圖像的大小改變，但是w的大小並不會改變，因此，無法計算。
這裏沒有理解是因爲暗含這樣一份個知識點：
卷積到全連接，所有卷積會一條接一條變成一個全連接的上層 X，比如上面的 28*28 = 784，z=wx+b，如果尺寸不固定，多出來一個 785，就沒法 和 w（500，784）去相乘了，有些人就要問了，那我此時改變w爲（500，785） 不行嘛？也可以，但是，你訓練要很多個step，甚至 epoch（pass）去更新，那，尺寸不固定，這一個step這個神經元訓練到了，下一回沒訓練到，那就沒法收斂了。
後續：
在小羣裏，魚哥看完我文章直接說是扯淡，他說 輸入必須固定，是resnet以前的結構的玩法，之後的玩法（好像也不是resnet），可以通過 1*1 卷積 升降維 fix 任何 tensor（解釋，也就是通過 1*1 卷積 產生下面幾篇參考裏提到的 spp結構？還是他確實沒搞懂？又成爲了一個問題）
所以，在引入預訓練模型的時候，如果要自定義輸入圖片的大小，則需要去掉後面的全連接層的頭，附帶還需要去掉連接的什麼層，給大家留個課後作業，以及，自己定義的輸入圖片尺寸設計怎麼樣的 全連接層和softmax層，以及是否可以引入
spp層的方法，大家課後思索。
提問：
對的，可以這麼理解，但是訓練數據的順序都是隨機打亂的，如果你訓練數據不能保證尺寸大小一樣，那就不能保證同一批的數據抵達fc層的時候尺寸一樣了，所以泛化出來就是所有訓練集尺寸就是固定尺寸了
我之前理解的是輸入的圖片大小就得是固定的尺寸，其實是指同一批輸入的每張圖片大小必須是固定的
從兩個方面將你可能更好理解點，一方面按照你的思路是沒有問題的，就是我有一批圖片尺寸，然後調整全連接層的大小，也能完成訓練，但是這樣可能會有一個問題，原先的框架可能是作者經過N多次訓練出來的相對較好的參數結果；另一方面，其實這邊說的固定尺寸可以這麼理解，有一批輸入圖像，他們的尺寸必須是統一大小的，而不能像faster rcnn那樣可能同時支持不同尺寸的圖片。
所以，對於工業質檢，一般相機的分辨率都是固定，那麼，可以指定分辨率，或者，前期可以用
傳統方法 找到相應的 ROI ，再裁剪 該部分（尺寸固定），再送入 深度學習模型推理。