Neural network 如何理解Caffe重塑参数和Keras中的重新实施？

我不知道如何解释重塑参数。这里表示0表示复制，-1表示推断。当-1不是最后一个参数时是否相同？有人能帮我理解吗

 layer {
  name: "Layer1"
  type: "Reshape"
  bottom: "Layer1"
  top: "Layer2"
  reshape_param {
  shape {
      dim: 0
      dim: 2
      dim: -1
      dim: 0
}
}

此外，如果我想在Keras中实现相同的层，我是否也使用Keras重塑层，如：

Layer2 = K.reshape(Layer1,(-1,input_dim)) 

---

这意味着，考虑到您有一个shape

（a、b、c、d、e）

的输入，您的输出将具有shape:

(a, 2, b * c * e / 2, d)

值

a

和

d

从上一层复制。值2是强制的，值

-1

计算保持与输入相同的元素数所需的任何值

在Keras中，由于不更改第一个维度（批次大小），因此只需要一个常规的重塑层，该层将忽略批次大小：

Reshape((2,-1,youMustKnowThis)) 

在<代码>顺序模型中，只需添加以下层：

sequentialModel.add(Reshape((2,-1,youMustKnowThis))

在功能API

模型中，传递上一层的输出：

newShaped = Reshape((2,-1,youMustKnowThis))(outputOfPreviousLayer)

请参见关于
“重塑”
层。