先說一下結論：
好處：可以讓卷積神經網絡模型的訓練集和測試集的圖像大小不一樣，如果是全連接層則必須輸入圖像的大小一致。
分析過程：
全連接層—代碼演示具體操作
假設batch-size是1，最後的卷積層輸出大小是5X5，通道數是512的話，如果接全連接層的話，就需要先reshape成一維的，這裏的dim=12800（5X5X512），這裏全連接層的權重矩陣大小就固定爲了[12800,256]（全連接層有256個神經元）。如果訓練集和測試集中的圖像大小不一樣，就會導致卷積層的輸出大小不一樣，從而reshape後就不是12800了，使得無法和權重矩陣相乘，就會報錯。所以如果是用全連接層的話，那麼訓練集和測試集輸入模型的圖像大小必須一致。
卷積層代替全連接層—代碼演示具體操作
通常這種做法是用全局池化（global_pool）和1X1的卷積核實現的，全局池化是不需要設置filter，無論特徵圖多大都只保留一個。假設batch-size是1，最後的卷積層輸出大小是5X5，通道數是512，那麼接一個全局池化後卷積層的輸出就從5X5，變成了1X1（這也是一種正則化的手段），通道數還是512。這個1X1X512的矩陣和1X1的卷積核做卷積運算，其效果就等於全連接層，但是由於全局池化的存在，所以可以不固定輸入模型的圖像大小，因爲最後全局池化後都會是1X1。這樣就可以讓訓練集和測試集輸入模型的圖像大小不一致。
代碼是通過reduce_mean實現全局池化，[1,2]是表示在圖像的高度和寬度這兩個維度。（如果是[1,2,3]就表示在圖像的高度、寬度和通道數這三個維度）。
題外話：
下圖代碼是谷歌公司實現GoogleNet網絡的分類層
代碼也是池化+1X1卷積層的思想來作爲全連接層，但是用的是傳統池化層而不是全局池化，之所以池化層的filter大小是7X7，是因爲上一層的卷積層輸出的大小是7X7X1024，所以本質上效果等於全局池化，池化完的大小就是1X1X1024。不過這樣的寫法就導致GoogleNet的圖像輸入大小是固定的，只能是224X224，纔會正好使最後一個卷積層的高度和寬度都是7。
致謝：AIZOO的指導讓我比以前理解的更透徹了。感謝AIZOO的元峯，推薦關注他的公衆號AIZOO，一個分享AI技術和資訊的好地方。 主頁鏈接：https://aizoo.com/。