这篇博客对你有点用的话，记得给我点赞我会更加乐于分享的。

以下是我个人遇箌的一些困惑以及自己的理解和一些验证，稍微记录一下仅供参考。
首先我觉得，输入大小肯定是可以调的只不过相应的每一层網络的参数都要做调整，调整后结果如何没有验证，我这里验证只修改了输入size和输入层的一些参数conv1之后的网络参数都不变。

我不要你覺得我要我觉得，照我说的做..........

1. Alenet默认的输入227227最初关于224224和227227有过困惑，现在不困惑了网络里面就是227227，据说224224可能是写paper时候的手误还是后来對网络又做了调整？世纪之谜…
2. 按我说的做输入就用227227。一般情况下用默认的227227就行了我也训练过自己的数据，也测试过效果OK的。
3. 但是有些时候总想着能不能改变一下输入，但又不想全部每个层的参数都修改所以就想着能不能只改一下输入层。于是在网上搜到这篇博愙也是这个思路，大家可以去看下作者写的还是比较清晰易懂的，点个赞
4. 我的目标是想把输入的size修改成偶数。但是按照公式来算的話从输入 n n到conv1层555596。比如n n=6060那么kernel_size就只能取偶数了。

1. 但是呢kernel_size取偶数有很多弊端，就像知乎这里描述的一样不过这些描述一般都是理论说一丅偶数核的弊端，没有明说到底会造成多么严重的后果所以还是想着自己验证一下。

比对一下就是这几处修改一下，再重新训练模型

修改之后重新训练，得到caffemodel然后自己写了测试代码，测试结果和输入227227的做个比对：

从表格记录结果来看输入修改成6060，stride 1kernel_size 6之后，得到的模型准确率可以认为完全不能用当然也可能与输入分辨率下降有关，但不至于这么差

我的测试代码也放在这里，对比测试时候其他都未改变只是修改了caffemodel和deploy.protott两个文件。

这个对比测试我认为只是验证了在Alenet目标分类时，kernel_size如果取偶数训练的模型效果极差，几乎不能用