验证时Batch Size要设置成1？

验证模型要将Batch Size设置为1？

之前在讲Fasrer-RCNN的时候，我们并没有限制输入网络图片的高宽，只是限制它在某一个输入范围之内。在训练的时候，往往需要将多张图片组成一个batch输入网络进行训练，对于不同尺寸的图片，我们一般是无法组成一个batch的。如果要将多张图片组成一个batch，这多张图片必须保证它们的shapes是一致的。那对于常用的RGB图片，只需要将某张图片的高宽想办法变成一致就可以了，最简单的方式就是执行一个padding的操作。比如说这里有两张图片，我们就去计算一下这两张图片的最大高度，以及最大宽度，然后我们分别将这两张图片padding到刚刚统计到的最大高度和最大宽度中去，这样就能保证每张图片的shapes是一致的。接下来就将它们组成一个batch输入网络。

在验证的时候我们同样可以采用相同的策略去做，但是需要考虑Padding对预测结果可能会产生影响。一般情况，我们对图片进行padding，或多或少会对预测结果产生影响，而影响的大小会根据不同的任务，不同的网络，不同的数据集，甚至网络收敛的程度都有关系。对于鲁棒性较好的网络，可能对它进行padding，影响不是很大，可能也就0.1个点、0.2个点，但是这0.1个点和0.2个点要去对齐原论文的精度都会产生一定的影响。这里呢我们试讲batch_size设置为2的情况，那如果我们将batch_size设置为3，我们会发现对每张图片的padding情况又会发生一定的情况。

 当padding发生变化之后，得到的最终预测结果又会产生不同的影响。所以说将batch_size设置为不同的值，得到的结果都会有一些差异。那么方便对齐原论文的结果，最简单的方式就是将batch_size设置为1。

总结

若输入模型数据shape固定，验证时对Batch Size无限制；

若输入模型数据shape不固定，验证时将Batch Size设置为1。