神经网络通常包含下采样和上采样操作，并最终通过**全连接层（Fully Connected, FC）**输出结果。
全连接层的作用是将高维特征映射到低维空间，实现信息的压缩和融合。
在含有全连接层的网络中，高维特征图需要被展平成一维向量作为全连接层的输入。
而全连接层的权重矩阵由输入向量长度和输出维度决定
- 输入向量的长度（卷积层输出即网络的输入，由特征图尺寸和通道数等决定）。
- FC层输出维度（比如分类类别数，同一任务中固定不变）。
由于全连接层的每个神经元都与前一层的所有神经元相连，为确保FC层权重矩阵的维度一致，输入向量的尺寸必须固定。如果输入尺寸变化，展平后的特征向量长度也会变化，导致FC层权重矩阵无法匹配。
因此，使用全连接层时，输入图像的尺寸通常是固定的。
相比之下，不含全连接层的网络（如全卷积网络 FCN）对输入尺寸没有严格限制，因为卷积和池化操作具有空间尺寸的可变性，即它们不依赖于固定输入大小。这类网络可以接受任意尺寸的输入，并使用**全局平均池化（GAP）**或直接通过卷积输出结果，避免了全连接层带来的尺寸限制。