20221108:onnx2caffe错误处理

1:Mul维度不匹配问题

通过onnx找到对应输出输入的维度形状：

bottom[0]->对应294，维度是2x16x1x1

bottom[1]->对应284，维度是2x16x28x28

解决思路：利用flatten和scale层实现Mul

1：交换bottom[0]和bottom[1]：因为scale层机制是广播第二个输入

bottom[0]->对应284，维度是2x16x28x28

bottom[1]->对应294，维度是2x16x1x1

2：利用flatten压缩bottom[1]

bottom[1]->对应294，维度变成2x16

3：利用scale层实现广播乘法

bottom[0]->对应284，维度是2x16x28x28

bottom[1]->对应294，维度是2x16

具体操作：

修改_operators.py文件中的_convert_Mul函数

 验证结果：onnx结果与caffe结果完全一致

2：Upsample

原文连接：

1:https://blog.csdn.net/liu1152239/article/details/81478313

2:caffe特殊层：permute\reshape\flatten\slice\concat_liu1152239的博客-CSDN博客_caffe permute

1、permute

permute功能类似于np.swapaxes；相当于交换caffe_blob中数据的维度

​

 2、reshape

只改变输入数据的维度，内容不变

 3、flatten

将多维数据拉成向量：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)。

当Reshape层的param参数为：{ shape { dim: 0 dim: -1 } } ，那么输出和flatten输出是完全一样的。所以，flatten相当于是reshape的特例。

4、concat

按指定维度进行拼接，caffe中数据通常为4个维度，即 num×channels×height×width，因此默认值1表示channels通道进行拼接。通过axis指定拼接的维度  
 

这是按num进行拼接，比如上面，输入图像均为24×24×3，用于分类的有150张图片，用于boundingbox回归的有50张，用于关键点回归的也有50张，则最后拼接的结果就是 (150+50+50)×3×24×24。 

5、slice

concat就是合并的操作，那么slice就是拆分的操作，需要指定的参数是：拆分的通道axis、拆分的位置slice_point。比如：

 其中slice_point的个数必须等于top的个数减一。输入的data_all维度为 250×3×24×24，拆分后的3个输出的维度依次为 150×3×24×24，50×3×24×24， 50×3×24×24