你没有说你在说什么架构。既然你说你想对图像进行分类，我假设它是一个部分卷积、部分完全连接的网络，如 AlexNet、GoogLeNet 等。一般来说，你的问题的答案取决于你正在使用的网络类型。
例如，如果您的网络仅包含卷积单元 - 也就是说，不包含完全连接的层 - 它can对输入图像的大小不变。这样的网络could处理输入图像并依次返回另一个图像（“一路卷积”）；您必须确保输出符合您的预期，因为当然，您必须以某种方式确定损失。
如果您使用的是完全连接的单元，那么您就会遇到麻烦：在这里，您的网络必须使用固定数量的学习权重，因此不同的输入将需要不同数量的权重 - 这是不可能的。
如果这是您的问题，您可以执行以下操作：
- 不要在意挤压图像。无论如何，网络可能会学会理解内容；无论如何，规模和视角对内容有什么意义吗？
- 将图像居中裁剪为特定尺寸。如果您担心丢失数据，请进行多次裁剪并使用它们来增强您的输入数据，以便原始图像将被分割成
N正确尺寸的不同图像。
- 用纯色将图像填充到平方大小，然后调整大小。
- 将其结合起来。
填充选项可能会给网络的预测带来额外的误差源，因为网络可能（阅读：可能会）偏向于包含此类填充边框的图像。
如果您需要一些想法，请查看Images https://www.tensorflow.org/api_docs/python/tf/imageTensorFlow 文档的部分，有类似的部分resize_image_with_crop_or_pad这带走了更大的工作。
至于不关心挤压，here's https://github.com/tensorflow/models/blob/f98c5ded31d7da0c2d127c28b2c16f0307a368f0/slim/preprocessing/inception_preprocessing.py#L206-L216著名的 Inception 网络的一段预处理流程：
# This resizing operation may distort the images because the aspect
# ratio is not respected. We select a resize method in a round robin
# fashion based on the thread number.
# Note that ResizeMethod contains 4 enumerated resizing methods.
# We select only 1 case for fast_mode bilinear.
num_resize_cases = 1 if fast_mode else 4
distorted_image = apply_with_random_selector(
distorted_image,
lambda x, method: tf.image.resize_images(x, [height, width], method=method),
num_cases=num_resize_cases)
他们完全意识到这一点并且无论如何都会这样做。
根据您想要或需要走多远，实际上有一篇论文here https://arxiv.org/abs/1406.4729 called 用于视觉识别的深度卷积网络中的空间金字塔池它通过以非常特殊的方式处理任意大小的输入。
