在Caffe中平铺图层的目的是什么？

Question

在Caffe中平铺层的用途是什么？它似乎是一种重塑输入的形式，但是我想知道它到底是如何工作的，它可以应用在哪里？

源代码如下：

template <typename Dtype>
void TilingLayer<Dtype>::LayerSetUp(const vector<Blob<Dtype>*>& bottom,
    const vector<Blob<Dtype>*>& top) {
  TilingParameter tiling_param = this->layer_param_.tiling_param();
  tile_dim_ = tiling_param.tile_dim();
  tile_dim_sq_ = tile_dim_ * tile_dim_;
  CHECK(tile_dim_) << "tile_dim must be specified.";
  CHECK_GT(tile_dim_, 0) << "tile_dim must be positive.";
}


template <typename Dtype> void TilingLayer<Dtype>::Reshape(const 
vector<Blob<Dtype>*>& bottom,
    const vector<Blob<Dtype>*>& top) {   
CHECK_EQ(top.size(), 1);   
input_channels_ = bottom[0]->channels();   
input_height_ = bottom[0]->height();   
input_width_ = bottom[0]->width();   
output_channels_ = bottom[0]->channels() / tile_dim_sq_;   
output_width_ = input_width_ * tile_dim_;
output_height_ = input_height_ * tile_dim_;   
count_per_output_map_ = output_width_ * output_height_;   
count_per_input_map_ = input_width_ * input_height_; 
CHECK_EQ(0, input_channels_ % tile_dim_sq_)
      << "The number of input channels for tiling layer must be multiples "
      << "of the tile_dim.";   top[0]->Reshape(bottom[0]->num(), 
input_channels_ / tile_dim_sq_,
  input_height_ * tile_dim_, input_width_ * tile_dim_); }

Answer 1

瓦层不同于瓦层，瓦层类似于重塑，而瓦层则类似于repmat。

===============编辑以添加切片图层的更多详细信息==========，如源代码https://github.com/BVLC/caffe/blob/master/src/caffe/layers/tile_layer.cpp中所示

Dtype* top_data = top[0]->mutable_cpu_data();
  for (int i = 0; i < outer_dim_; ++i) {
    for (int t = 0; t < tiles_; ++t) {
      caffe_copy(inner_dim_, bottom_data, top_data);
      top_data += inner_dim_;
    }
    bottom_data += inner_dim_;
  }

顶部的数据是输入数据的tiles_倍，当NC_H_W和tile_dim =8时，你会得到形状为N_C*(H*8)*(W*8)的blob，但对于平铺层，它会展平图层，例如你有N_C_H_W blob和tiling_dim=8，然后在平铺层之后，计数不会改变，但你会得到形状为N(C/64)*(H*8)*(W*8)的blob。

Answer 2

caffe中的"Tile"层实现了与numpy的tile或Matlab的repmat函数类似的操作:它沿指定的维数复制数组的内容。

例如，假设你有一个2D“注意力”(或“显着性”)图，你想根据这些权重对特征进行加权:给"salinet“区域更多的权重，给非”显着性“区域更少的权重。实现这一点的一种方法是将3D特征图乘以2D显着性图(按元素)。为此，您需要沿着通道维度(从2D到3D)对显着性贴图进行"Tile"，然后应用"Eltwise"层。