在全卷积神经网络中，即仅包含卷积层和池化层的神经网络，您可以处理不同大小的输入图像。但这仅在您不需要网络的输出具有固定大小的情况下才有效。例如对于分割任务，由于输出与输入大小相同，您实际上可以设计一个全卷积网络，其中输入是不同分辨率的图像。这基本上是 FCN 背后的思想之一。

除了在分类或回归中，因为你的输出是一个固定的大小，你必须固定每个层的大小，这也意味着输入必须有一定的大小。此外，在分类或回归任务中，全连接层被用作网络的最后一层，因此也因为这个原因，你必须有固定大小的输入。

长话短说，就您而言，在架构方面您无能为力来摆脱这种情况。所以你必须在你的样本数据中处理它。

通常所做的是，您转换数据集并将所有图像零填充为固定分辨率，然后使用它。

不要将图像缩放到一定的分辨率，因为卷积层不是缩放不变的，这会扰乱您的测试阶段。