先说一下结论：
好处：可以让卷积神经网络模型的训练集和测试集的图像大小不一样，如果是全连接层则必须输入图像的大小一致。
分析过程：
全连接层—代码演示具体操作
假设batch-size是1，最后的卷积层输出大小是5X5，通道数是512的话，如果接全连接层的话，就需要先reshape成一维的，这里的dim=12800（5X5X512），这里全连接层的权重矩阵大小就固定为了[12800,256]（全连接层有256个神经元）。如果训练集和测试集中的图像大小不一样，就会导致卷积层的输出大小不一样，从而reshape后就不是12800了，使得无法和权重矩阵相乘，就会报错。所以如果是用全连接层的话，那么训练集和测试集输入模型的图像大小必须一致。
卷积层代替全连接层—代码演示具体操作
通常这种做法是用全局池化（global_pool）和1X1的卷积核实现的，全局池化是不需要设置filter，无论特征图多大都只保留一个。假设batch-size是1，最后的卷积层输出大小是5X5，通道数是512，那么接一个全局池化后卷积层的输出就从5X5，变成了1X1（这也是一种正则化的手段），通道数还是512。这个1X1X512的矩阵和1X1的卷积核做卷积运算，其效果就等于全连接层，但是由于全局池化的存在，所以可以不固定输入模型的图像大小，因为最后全局池化后都会是1X1。这样就可以让训练集和测试集输入模型的图像大小不一致。
代码是通过reduce_mean实现全局池化，[1,2]是表示在图像的高度和宽度这两个维度。（如果是[1,2,3]就表示在图像的高度、宽度和通道数这三个维度）。
题外话：
下图代码是谷歌公司实现GoogleNet网络的分类层
代码也是池化+1X1卷积层的思想来作为全连接层，但是用的是传统池化层而不是全局池化，之所以池化层的filter大小是7X7，是因为上一层的卷积层输出的大小是7X7X1024，所以本质上效果等于全局池化，池化完的大小就是1X1X1024。不过这样的写法就导致GoogleNet的图像输入大小是固定的，只能是224X224，才会正好使最后一个卷积层的高度和宽度都是7。
致谢：AIZOO的指导让我比以前理解的更透彻了。感谢AIZOO的元峰，推荐关注他的公众号AIZOO，一个分享AI技术和资讯的好地方。 主页链接：https://aizoo.com/。