利用enet学习caffe系列----(5)修改网络结构
enet网络结构参考博客：emantic Segmentation–ENet:A Deep Neural Network Architecture for Real-Time Semantic…论文解读
经过上述分析，我们已经把enet的网络结构已经分析清楚，当我们需要修改其中的shape或者channel时，可以参照输入输出数据变化进行修改。
输入输出数据变化
数据输入层
| 输入数据 | 输出数据 |
|---|---|
| (C_in, W_in, H_in) | (C_in, new_width, new_height) |
label数据变化
| label_divide_factor | 类型 | 输入label | reshape后label |
|---|---|---|---|
| 8 | encoder | (512, 1024) | (64, 128) |
| 1 | decoder | (512, 1024) | (512, 1024) |
initial_block
| 附加参数 | 输入数据 | 输出数据 |
|---|---|---|
| num_output=13 | (C_in, W_in, H_in) | (13+C_in, W_in/2, H_in/2) |
bottleneck
| bottleneck | 附带参数 | 输入数据 | 输出数据 | 作用 |
|---|---|---|---|---|
| downsampling | num_output | (C_in, W_in, H_in) | (C_in, W_in/2, H_in/2) | 降维，形状变化 |
| regular | num_output = C_in | (C_in, W_in, H_in) | (C_in, W_in, H_in) | 归一化 |
| dilated | num_output = C_in param_add=2,4,8,16 | (C_in, W_in, H_in) | (C_in, W_in, H_in) | 空洞卷积 |
| asymmetric | num_output = C_in param_add=5 | (C_in, W_in, H_in) | (C_in, W_in, H_in) | |
| upsampling | num_out | (C_in, W_in, H_in) | (num_out, 2W_in, 2H_in) | 升维，形状变化 |
fullconv层
| 模式 | 输入数据 | 输出数据 |
|---|---|---|
| train_encoder | (C_in, W_in, H_in) | (C_in, W_in, H_in) |
| 其他 | (C_in, W_in, H_in) | (C_in, 2W_in, 2H_in) |
分析网络结构
利用上表对下面结构进行分析，改动