在對數據集進行預處理並且製作完成之後，便要開始訓練數據集了，一般情況下CNN的搭建都是參考業內大牛的網絡，或者在大牛的網絡上進行細微的修改，所以對於大多數CNN使用者來說，搭建網絡並非主要任務，最重要的是如何使用網絡。當數據集輸入然後輸出網絡時，對於數據集圖片，最關心的問題便是輸入輸出的圖片尺度大小，因爲網絡的輸入與輸出端對圖片有着嚴格的要求，並且在整個網絡訓練和預測過程中，還會對圖片進行尺度的變化，所以就大多數項目的要求來看，輸入和輸出網絡的理想狀態便是黑盒狀態，即對於使用者來說，無需關注網絡所要求的尺寸，只要知道輸入與輸出的尺度是否滿足項目需求就可以。這就要求在網絡的前端和後端要對圖片進行合理而有效的縮放，以適應網絡的要求以及項目的需求。
還是以我的人羣密度估計項目爲例。CNN是參考onoro教授在2016年eccv上寫的一篇文章，網絡的輸入要求圖片尺度爲72×72，其中雖然經過了幾個卷積層，但是卷積層的kernel_size和pad大小剛好抵消，所以經過卷積層的圖片尺度並沒有發生改變。但是在其中兩個卷積層之後分別跟隨有一個池化層，其kernel_size均爲2，經過此兩個池化層圖片的長和寬均縮小爲原來的四倍，即輸出featuremap成爲18×18。就項目的黑盒要求來看，自然是要求輸入爲158×238的圖片，輸出爲158×238的人羣密度圖，這就必須要對CNN的輸入端和輸出端的圖片進行適當的預處理和後續處理。
首先來看輸入，因爲數據集UCSD的尺度爲158×238，所以需要對數據集圖片進行分塊，使得子塊大小爲72×72，才能滿足輸入網絡的尺度要求。分塊時不僅僅要對數據集圖片進行分塊，還要對以人羣密度真值圖爲基礎的標籤進行分塊，同時要使得分塊的標準在圖片和標籤上完全相同，這樣才能在訓練和預測時一一匹配，以便後續的拼接。
關於分塊，有兩種分塊方式，一種爲等距離分塊，另一種爲隨機分塊。因爲考慮到要儘可能地將圖片和標籤全方位地覆蓋到，所以採取等距離全覆蓋分塊，使得整幅圖片和標籤上的每一處都能夠在分塊所產生的子塊中找到，從而減少因爲隨機分塊而導致的數據集圖片和標籤缺失部分的現象。
因爲CNN使得圖片在輸入端和輸出端的尺度不同，而標籤是要與圖片在經過網絡後輸出的featuremap比較的，首先要保證尺度相同，所以在對數據集圖片和標籤分塊之後，還要對標籤進行reshape，使其符合網絡輸出featuremap的尺度大小，這樣才能作出有效的比較，進而在訓練時才能保證在比較結束後，使得比較結果對下一次迭代起到參考和調整的作用。
在所有數據集圖片通過CNN之後，即訓練結束之後，輸出得到則是衆多18×18的featuremap圖，與我們所想要的整體圖片的密度圖還相去甚遠，所以接下來要做的首先是要將這些18×18的featuremap恢復到72×72的大小。最簡單的一種關於圖片縮放的方法便是，縮小時進行抽值，放大時進行插值。
在將featuremap恢復大小之後，接下來便是要按照當初分塊時所對應的分塊座標點對於reshape後的featuremap進行重新排列組合，使其恢復到原始圖像大小，最終得到的纔是我們想要的關於輸入整體圖片的人羣密度圖。
CNN網絡對於輸入輸出數據圖片有着嚴格的尺度要求，只有預先對數據集進行圖片尺度的預處理，才能保證網絡的正常運行。其次，還要在圖片輸出網絡後，對得到的featuremap進行後續的處理。特別是在迴歸問題的時候，因爲此類問題多數情況下輸出的featuremap便是我們最終所要的迴歸目標的一部分，只有對其進行正確的後續處理，才能得到我們最終想要的結果。