标签：简单 mil inpu other bottom 输入数据 完全 其他 infer
Reshape层：(改变blob的形状，N,C,W,H)
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
}
}
}
#有一个可选的参数组shape, 用于指定blob数据的各维的值（blob是一个四维的数据：n*c*w*h）。
#dim:0 表示维度不变，即输入和输出是相同的维度。
#dim:2 或 dim:3 将原来的维度变成2或3
#dim:-1 表示由系统自动计算维度。数据的总量不变，系统会根据blob数据的其它三维来自动计算当前维的维度值 。
#假设原数据为：32*3*28*28， 表示32张3通道的28*28的彩色图片
# shape {
# dim: 0 32-32
# dim: 0 3-3
# dim: 14 28-14
# dim: -1 #让其推断出此数值
# }
#输出数据为：32*3*14*56
Reshape layer只改变输入数据的维度，但内容不变，也没有数据复制的过程，与Flatten layer类似。
输出维度由reshape_param 指定，正整数直接指定维度大小，下面两个特殊的值：
再举一个例子：如果指定reshape_param参数为：{ shape { dim: 0 dim: -1 } } ，那么输出和Flattening layer的输出是完全一样的。
Flatten层和Reshape层想似：
类型：Flatten
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 * (c*h*w)。
caffe rpn layer 中的 reshape layer
标签：简单 mil inpu other bottom 输入数据 完全 其他 infer
原文地址：https://www.cnblogs.com/MY0213/p/9537551.html
