caffe中常见层的用法以及参数

caffe中常见的一些层的用法，和参数配置
官方文档 http://caffe.berkeleyvision.org/tutorial/layers.html
1.Reshape 改变输入数据的维度
常见配置如下：

layer {
    name: "reshape"
    type: "Reshape"
    bottom: "input"
    top: "output"
    reshape_param {
      shape {
        dim: 0  # copy the dimension from below
        dim: 2
        dim: 3
        dim: -1 # infer it from the other dimensions
      }
    }
  }

输入和输出都是类似blob的四维张量，NCWH
通过reshape_param中的shape参数改变张量的维度四个dim分别代表output（top）中的数据维度，后面的数字表示给维度具体要变成什么样。
举个例子，设输入为 3232828
shape {
dim: 0 # copy the dimension from below
dim: 0
dim: 14
dim: -1 # infer it from the other dimensions
}
dim：0 表示 output（top）中的N 直接复制 input(bottom)中N的维度 为 32
dim：0表示 output（top）中的直接复制 input(bottom)中C的维度 为3
dim：3表示 output（top）中的W 变为28维 变为 14
dim：-1 表示这一维度的具体数字通过其他维度推算 为56，推算过程如下：总的数据量不变，只改变 NCWH 四个维度的具体数字
（3232828）/(32314) = 56
因此，经过Reshape后输出为3231456

2.Flatten变多维矩阵为一维向量
常见配置如下：

layer {
  name: "rpn_cls_score_flat"
  type: "Flatten"
  bottom: "rpn_cls_score_perm"
  top: "rpn_cls_score_flat"
  flatten_param {
    axis: 1
  }
}

Flatten层是把一个输入的大小为n * c * h * w变成一个简单的向量，其大小为 n * (chw) * 1 * 1
axis [default 1]：0代表链接N，1代表链接C
3.Concat按照axis连接多个blob
常见配置如下：

layer {
  name: "concat"
  bottom: "in1"
  bottom: "in2"
  top: "out"
  type: "Concat"
  concat_param {
    axis: 1
  }
}

输入输出均为NCW*H的blob张量
可选参数：
axis [default 1]：0代表链接N，1代表链接C
通过全连接层后的大小变化：
输入：从1到K的每一个blob的大小：ni×ci×h×w
输出：
如果axis = 0: (n1+n2+…+nK)×c1×h×w，需要保证所有输入的ci相同。
如果axis = 1: n1×(c1+c2+…+cK)×h×w，需要保证所有输入的n_i 相同。
通过Concatenation层，可以把多个的blobs链接成一个blob。

4.Transpose
5.Permute
6.Im2col
参考博客