Deep learning 咖啡豆大小会破坏我的lmdb图像吗？

我有一个类似这样的协议：

name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 100
    mean_file: []

但是我在lmdb中的图像大小是100X200，使这个网络工作的唯一方法是将

crop\u size

设置为

100

，Caffe会破坏我的图像并从中心进行裁剪吗？有没有办法解决这个问题？我删除的作物大小是多少

PS：如果删除作物大小，我将获得

源参数形状为40963072（12582912）；目标参数形状为4096 1024（4194304）

我看到了这个问题，但并没有字段来计算每一层的输出，我们只是为完全连接的层定义

num_输出

虽然计算每层的输出并不困难，但是：

输出\净=（输入\净+（2*pad）-内核\大小）/（步幅+1）*数量\输出（或填充）

我怎样才能从这里开始正确的网络？caffe说是12582912，但不是经过我的计算。如果我算对了。
你想把一个长方形（100x200）变成一个正方形（100x100）。恐怕蛮力在这里似乎不是正确的方法。为什么不重新设计网络，使其真正适合您的输入？或者，将顶部完全连接的层转换为卷积层（请参阅），然后在顶部添加一个全局池层。@Shai，谢谢您，先生，我非常感谢您的回答和贡献。我要读那个教程。我不能用咖啡吗？我已经改变了那个网络中我能改变的一切。@Shai，我以前读过那个教程和Christopher Bourez博客中的一个教程，我已经实现了他们的代码，他们设计了过滤器，但网络不应该学习这些吗？如果我移除完全连接的层，那么如果没有神经网络，网络将如何分类？我以前曾经可视化过我的网络，我认为我唯一能做的就是删除一些层或添加一些层，那么没有神经网络的网络是否可以正常工作？本教程并没有向您展示如何删除层，而是如何使用等效的卷积层更改经过训练的完全连接层。如果不更改网络的输入大小，则最终会得到相同的网络
data(100X200X3)
conv1(((100X200X3)+(2*0)-11)/(4+1)) * 96 = ((60000 -11) /5) * 96 = 1151788.8
pool1((input_net+(2*0)-3)/(2+1))         = (1151788.8 -3) /3 = 383928.6
conv2((input_net+(2*2)-5)/(1+1)) * 256   = ((383928.6 + (4) -5) /5) * 256 = ((383928.6 + -1) /5) * 256 = 19657093.12
pool2((input_net+(2*0)-3)/(2+1))         = (19657093.12 -3) /3 = 6552363.373333333
conv3((input_net+(2*1)-3)/(1+1)) * 384   = ((6552363.373333333 + (2) -5) /2) * 384 = 3276180.186666667 * 384 = 1258053191.679999936
conv4((input_net+(2*1)-3)/(1+1)) * 384   = ((1258053191.679999936 + (2) -5) /2) * 384 = 629026594.339999968 * 384 = 241546212226.559987712
conv5((input_net+(2*1)-3)/(1+1)) * 256   = ((241546212226.559987712 + (2) -5) /2) * 256 = 120773106111.779993856 * 256 = 3.091791516×10¹³