模型训练的整体流程，通常包括数据集制作、数据增强、数据加载、模型训练、模型测试。
其中，数据增强的工作，除了包括图像旋转、加噪点等丰富数据特征的工作外，还包括数据裁剪的工作。
那么，数据裁剪是必须的吗？为什么要数据裁剪？以及怎样裁剪？

1、数据裁剪是必须的吗？
不知道，待补充。
2、为什么要数据裁剪？
因为模型后面产生的特征图，如果尺寸太大，那么信息的抽象程度不够，难以提取高纬度特征，同时还会带来很高的计算量；
如果尺寸太小，又容易丢失必要的特征。
因此，需要在前面的输入端，对图像的尺寸进行合理限制，进行裁剪。
3、怎样裁剪？
224x224
通常认为，7x7是一个比较理想的特征图尺寸，图像从大分辨率降低到小分辨率，降低倍数通常是2的指数次方。因此，进行倒推，图像的输入尺寸的长或宽可以为7x（2^n），即14、28、56、112、224、448…。
以ImageNet为代表的大多数分类数据集，图像的长宽在300分辨率左右，因此模型的最终输入通常选为224x224。
256x256
由于有时训练集的数据量较小，需要进行数据扩充，扩充为原来的10倍、100倍、1000倍、10000倍等量级。因此可以通过从NxN大图上进行裁剪，得到最终224x224小图，进行扩充；扩充的量级为（N-224）x（N-224）。上述10倍、100倍、1000倍、10000倍量级的扩充，分别对应3x3、10x10、32x32、100x100，因此只需要将N设为约227、234x234、256x256、324x324。
由于公共数据集图像的长宽在300分辨率左右，因此数据增强的第一步，先将图像截取为256x256大小。
补充：
不使用256*256使用其他的尺寸如何呢？ 在比赛刷榜中，经常使用多尺度模型测试，即使用不同尺度的输入图进行裁剪然后进行结果融合，该作者曾经在Place365数据集上训练过ResNet和DPN模型，下面是不同尺度的测试结果:

不同尺度的结果会有差异，但是通常都不大，因此除非模型特殊，不必太纠结与这个问题。
其实上述知识了解、知道就好，实际模型训练时，按照常规设置就好，更重要的数据集的质量（丰富性、量大小）
参考文章：
链接: 为什么图像分类任务要从256256中裁剪出224224.