Machine learning 为什么我们可以在训练后更改darknet YOLO的输入图像大小？

Darknet yolo配置文件如下所示：

[net]
batch=64
subdivisions=8
height=416
width=416
channels=3
...

但是，我们可以在不训练模型的情况下更改高度和宽度，并在图像大小更大的情况下获得更好的结果（当然，推断需要更长的时间）。我有点困惑。当我们改变图像大小时，权重会发生什么变化？例如，如果第一层有N个输入，第二层有M个神经元，那么如果网络完全连接，我们应该有（N*M+1）个权重。 所以问题是：我们如何在不改变重量的情况下改变N（宽度和高度）

---

我对这个主题也比较陌生，但我认为只有Yolov1使用完全连接的层。看看Yolov2等的体系结构。没有FC层，只有卷积。这可能就是答案？

感谢您的回复，完全连接的层只是一个例子，我不是说yolo有FC层。如果您将输入大小从416更改为320，它将传播到所有层，但在更改输入大小以进行推断后，不必更改.weight文件。是的，我明白您的观点。但是，如果只有卷积层，那么对于任何输入大小，权重不是都相同吗？可能会改变的是特征映射的大小，因此如果您有一个用于推断的偏差输入大小，那么输出不是13x13，而是其他东西。Imo移除所有FC层会给你一个输入大小独立的网络。关键是在卷积层中，只有一个内核（例如3*3）会被训练，然后这个内核可以应用于任何输入图像，因为YLO是完全卷积网络，我们可以在训练后传递任何大小的图像。谢谢你的关键词：“输入大小独立网络”