全连接层只能处理固定大小的输入，因为它需要一定数量的参数来“全连接”输入和输出。虽然卷积层只是在输入中“滑动”相同的过滤器，但它基本上可以处理任意空间大小的输入。

在最后具有全连接层的示例网络中，224*224 的图像将输出 1000d 的类别分数向量。如果我们将网络应用到更大的图像上，网络会因为第一个全连接层的输入和参数不一致而失败。

另一方面，如果我们使用全卷积网络，当应用于更大的图像时，我们将获得 1000 个类别分数的“热图”。

如下图所示（来自FCN 分割论文），上层网络给每个类别一个分数，经过转换（卷积化）后，我们可以得到一个更大图像的每个类别的热图。

关于“步幅”，在同一页的空间排列部分：

当步幅为 1 时，我们将过滤器一次移动一个像素。当步幅为 2（或不常见的 3 或更大，尽管这在实践中很少见）时，过滤器在我们滑动它们时一次跳跃 2 个像素。这将在空间上产生更小的输出量。