Caffe算子边界

1

Absval

对输入求绝对值

【输入】

1个输入

【参数】

engine: 枚举型，默认为0（DEFAULT=0，CAFFE=1，CUDNN=2），可选

【约束】

无限制

【量化工具支持】

是

2

Argmax

返回输入的最大值对应的索引序号

【输入】

1个输入

【参数】

• out_max_val: 布尔型，默认为false，可选
• top_k：unit32，默认为1，可选
• axis：int32，可选

【约束】

无限制

【量化工具支持】

否

3

BatchNorm

对输入做标准化

（x - avg(x)）/x的标准差

【输入】

1个输入

【参数】

• use_global_stats: 布尔型，必须为true
• moving_average_fraction：float，默认为0.999，可选
• eps：float，默认为1e-5，可选

【约束】

仅支持对C维度方向做归一化

【量化工具支持】

是

4

Concat

输入数据按维度拼接

【输入】

多个输入

【参数】

• concat_dim: uint32，默认为1，取值：大于0，可选
• axis：int32，默认1，可选；与concat_dim功能相同，二者择其一；axis== -1时，输入维度必须等于4，否则结果可能错误

【约束】

• 输入的tensor，除了进行concat的维度外，其他维度的size必须相等
• 输入tensor的个数范围不超过[1,1000]

【量化工具支持】

是

5

ConvolutionDepthwise

深度卷积

【输入】

1个输入，且filter为常量，维度为4

【参数】

• num_output: uint32，可选
• bias_term：布尔型，默认为true，可选
• pad：uint32，默认为0；数组
• kernel_size：uint32；数组
• stride：uint32，默认为1；数组
• dilation：uint32，只支持dilation=1；数组
• pad_h：uint32，默认为0，可选（仅2D）
• pad_w：uint32，默认为0，可选（仅2D）
• kernel_h：uint32，可选（仅2D）
• kernel_w：uint32，可选（仅2D）
• stride_h：uint32，可选（仅2D）
• stride_w：uint32，可选（仅2D）
• group：uint32，默认为1，可选
• weight_filler：不支持设置该参数
• bias_filler：不支持设置该参数
• engine：枚举型，默认为0（DEFAULT=0，CAFFE=1，CUDNN=2），可选
• force_nd_im2col：布尔型，默认为false，可选
• axis: int32，默认为1，可选

【约束】

filterN=inputC=group；

(W+15)/16*16)*filter.W*32 <= 32*1024，其中W是算子输入的W，filter.W是filter的W。

【量化工具支持】

是

6

Convolution

卷积

【输入】

1个输入，且filter为常量，维度为4

【参数】

• num_output: uint32，可选
• bias_term：布尔型，默认为true，可选
• pad：uint32，默认为0；数组
• kernel_size：uint32；数组
• stride：uint32，默认为1；数组
• dilation：uint32，默认为1；数组
• pad_h：uint32，默认为0，可选（仅2D）
• pad_w：uint32，默认为0，可选（仅2D）
• kernel_h：uint32，可选（仅2D）
• kernel_w：uint32，可选（仅2D）
• stride_h：uint32，可选（仅2D）
• stride_w：uint32，可选（仅2D）
• group：uint32，默认为1，可选
• weight_filler：不支持设置该参数
• bias_filler：不支持设置该参数
• engine：枚举型，默认为0（DEFAULT=0，CAFFE=1，CUDNN=2），可选
• force_nd_im2col：布尔型，默认为false，可选
• axis: int32，默认为1，可选

【约束】

• (inputW + padWHead + padWTail) >= (((FilterW- 1) * dilationW) + 1)
• (inputW + padWHead + padWTail) /StrideW + 1 <= 2147483647
• (inputH + padHHead + padHTail) >= (((FilterH- 1) * dilationH) + 1)
• (inputH + padHHead + padHTail) /StrideH + 1 <= 2147483647
• 0 <= Pad < 256, 0 < FilterSize < 256, 0 < Stride < 64, 1 <= dilationsize < 256

【量化工具支持】

是

7

Crop

截取

【输入】

2个输入

【参数】

• axis: int32，默认为2，axis=-1，input dim必须等于4，可选
• offset：uint32，数组

【约束】

无限制

【量化工具支持】

否

8

Deconvolution

反卷积

【输入】

1个输入，且filter为常量，维度为4

【参数】

• num_output: uint32，可选
• bias_term：布尔型，默认为true，可选
• pad：uint32，默认为0；数组
• kernel_size：uint32；数组
• stride：uint32，默认为1；数组
• dilation：uint32，默认为1；数组
• pad_h：uint32，默认为0，可选（仅2D）
• pad_w：uint32，默认为0，可选（仅2D）
• kernel_h：uint32，可选（仅2D）
• kernel_w：uint32，可选（仅2D）
• stride_h：uint32，可选（仅2D）
• stride_w：uint32，可选（仅2D）
• group：uint32，默认为1，可选
• weight_filler：不支持设置该参数
• bias_filler：不支持设置该参数
• engine：枚举型，默认为0（DEFAULT=0，CAFFE=1，CUDNN=2），可选
• force_nd_im2col：布尔型，默认为false，可选
• axis: int32，默认为1，可选

【约束】

• group = 1
• dilation = 1
• filterH - padHHead - 1 >= 0
• filterW - padWHead - 1 >= 0
• 还有一条约束涉及中间变量，公式如下：

1、a = ALIGN(filter_num,16) * ALIGN(filter_c,16) * filter_h * filter_w * 2 ；

如果ALIGN(filter_c,16)%32 = 0，a = a/2；

2、conv_input_width=(反卷积输入w - 1) * strideW + 1；

3、b = （conv_input_width） * filter_h * ALIGN(filter_num,16) * 2 * 2；

4、a + b <= 1024*1024。

【量化工具支持】

是

9

DetectionOutput

检测结果输出FSR

【输入】

3个输入

【参数】

• num_classes: 必选，类型：int32，要预测的类数
• share_location: 可选，类型: bool，默认为true（表示不同类间共享bounding box）
• background_label_id: 可选，类型：int32，默认为0
• nms_param: 可选，非最大抑制
• save_output_param: 可选，用于保存检测结果
• code_type: 可选，默认为CENTER_SIZE
• variance_encoded_in_target: 可选，类型：bool，默认为true；如果为true，方差编码在目标中，否则需要相应地调整预测偏移量
• keep_top_k: 可选，类型：int32，在nms步骤后每个图像要保留的总bbox数；
• confidence_threshold: 可选，类型：float，仅考虑置信度大于阈值的检测；如果没有设置，考虑所有的box
• nms_threshold: 可选，类型：float
• top_k: 可选，类型：int32
• boxes: 可选，类型：int32，默认为1
• relative: 可选，类型：bool，默认为true
• objectness_threshold，可选，类型：float，默认为0.5
• class_threshold: 可选，类型：float，默认为0.5
• biases: 数组
• general_nms_param: 可选

【约束】

• 支持fasterrcnn网络
• 非极大值抑制比nmsThreshold∈(0,1)
• 概率阈值postConfThreshold∈(0,1)
• 类别>=2
• 最大支持1024个框输入
• 输出的w维度是16

【量化工具支持】

是

10

Eltwise

按元素操作层(求和、乘积、最大值)

【输入】

至少2个输入

【参数】

• operation：可选，类型：枚举型（PROD = 0; SUM = 1; MAX = 2），默认为SUM
• coeff：数组；类型：float
• stable_prod_grad：可选，类型：bool，默认为true

  【约束】

• 最大支持4个输入
• 与原生算子相比，不支持stable_prod_grad参数
• 支持prod、sum、max三种模式

【量化工具支持】

是

11

Elu

激活函数

【输入】

1个输入

【参数】

alpha (optional)：类型：float，默认为1

【约束】

无限制

【量化工具支持】

否

12

Exp

对输入求以e为底的x次方值

【输入】

1个输入

【参数】

• base：可选，类型：float，默认为-1.0
• scale：可选，类型：float，默认为1.0
• shift：可选，类型：float，默认为0.0

  【约束】

  无限制

【量化工具支持】

否

13

Flatten

输入n*c*h*w 变为向量 n* (c*h*w)

【输入】

1个输入

（top_size与bottom_size必须不一致，且不为1；

当axis=-1时，输入的dim必须等于4）

【参数】

• axis：可选，类型：int32，默认为1
• end_axis：可选，类型：int32, 默认为-1

  【约束】

  axis必须小于end axis

【量化工具支持】

是

14

FullConnection

全连接

【输入】

1个输入

【参数】

• num_output: 可选，类型：uint32
• bias_term: 可选，类型：bool，默认为true
• weight_filler: 不支持设置该参数
• bias_filler: 不支持设置该参数
• axis: 可选，类型：int32，默认为1
• transpose: 可选，类型：bool，默认为false

  【约束】

• 仅支持transpose=false，axis=1；
• 量化场景下，Bais_C <= 59136；非量化场景下，Bais_C <= 118272；
• 如果客户要量化模型时，需要满足下列维度：
• 当N = 1，2 * CEIL(C,16) * 16 * xH * xW<= 1024 * 1024
• 当N > 1，2 * 16 * CEIL(C,16) * 16 * xH * xW <= 1024 * 1024

【量化工具支持】

是

15

Interp

插值层

【输入】

1个输入

【参数】

• height：可选，类型：int32，默认为0
• width：可选，类型：int32, 默认为0
• zoom_factor：可选，类型：int32, 默认为1
• shrink_factor：可选，类型：int32, 默认为1
• pad_beg：可选，类型：int32, 默认为0
• pad_end：可选，类型：int32, 默认为0

  说明：

• zoom_factor与shrink_factor不能同时存在
• height与zoom_factor不能同时存在
• height与shrink_factor不能同时存在

  【约束】

  （outputH*outputW）/（inputH*inputW） > 1/30

【量化工具支持】

否

16

Log

对输入进行log计算

【输入】

1个输入

【参数】

• base：可选，类型：float，默认为-1.0
• scale：可选，类型：float，默认为1.0
• shift：可选，类型：float，默认为0.0

  【约束】

  无限制

【量化工具支持】

否

17

LRN

局部响应归一化层

【输入】

1个输入，不支持常量输入

【参数】

• local_size：可选，类型：uint32，默认为5
• alpha：可选，类型：float，默认为1.
• beta：可选，类型：float，默认为0.75
• norm_region：可选，类型：枚举型，默认为ACROSS_CHANNELS，（ACROSS_CHANNELS=0;WITHIN_CHANNEL = 1）
• lrnk：可选，类型：float，默认为1.
• engine：可选，类型：枚举型（DEFAULT = 0;CAFFE = 1; CUDNN = 2）

  【约束】

• local_size >0，且必须为奇数
• 通道间： 当local_size∈[1,15]时，lrnK>0.00001且beta>0.01，否则lrnK和beta为任意值；LrnK和alpha不同时为0；当C维度大于1776时，local_size <1728； 通道内： LrnK=1，local_size∈[1,15]，beta>0.01；

【量化工具支持】

是

18

LSTM

长短期记忆网络

【输入】

2个或3个输入

X: 时间序列数据(T*B*Xt)，按4D的NCHW格式排布传入，需要保证：N对应时间序列长度T，C对应Batch数B，H对应t时刻的输入数据Xt，W取1；

Cont：序列连续性标志(T*B)

Xs: 静态数据(B*Xt)，可选

【参数】

• num_output：可选，类型：uint32，默认为0
• weight_filler：不支持设置该参数
• bias_filler：不支持设置该参数
• debug_info：可选，类型：bool，默认为false
• expose_hidden：可选，类型：bool，默认为false

【约束】

• 此约束涉及中间变量计算，公式如下，其中ht和output对应属性num_output：

a = (ALIGN(xt,16) + ALIGN(output,16)) * 16 * 2 * 2

b = (ALIGN(xt,16) + ALIGN(output,16)) * 16 * 4 * 2 * 2

d = 16 * ALIGN(ht,16) * 2

e = batchNum* 4

则，约束为：

a + b <= 1024 * 1024；

d <= 256*1024 / 8；

e <= 256*1024 / 32；

• B<=16，T<=768。

【量化工具支持】

否

19

Normalize

标准化层

【输入】

1个输入

【参数】

• across_spatial：可选，类型：bool，默认为true
• scale_filler：不支持设置该参数
• channel_shared：可选，类型：bool，默认为true
• eps：可选，类型：float，默认为1e-10

  【约束】

• eps应大于1e-7,并且小于等于0.1+(1e-6)；
• caffe框架中的参数across_spatial目前只支持true，按channel进行norm操作。

【量化工具支持】

是

20

Permute

将输入维度按照给定模式进行重排

【输入】

1个输入

【参数】

• order: uint32，数组

【约束】

无约束

【量化工具支持】

是

21

Pooling

池化层

【输入】

1个输入

【参数】

• pool: 池化方法，可选，类型：枚举，取值：MAX=0，AVE=1，STOCHASTIC = 2，默认为MAX
• pad: 可选，类型：uint32，默认为0
• pad_h: 可选，类型：uint32，默认为0
• pad_w: 可选，类型：uint32，默认为0
• kernel_size: 可选，类型：uint32，kernel_size和kernel_h/kernel_w不能同时出现
• kernel_h: 可选，类型：uint32
• kernel_w: 可选，类型：uint32，kernel_h/kernel_w必须同时存在
• stride: 可选，类型：uint32，默认为1
• stride_h: 可选，类型：uint32
• stride_w: 可选，类型：uint32
• engine: 可选，类型：枚举，取值：DEFAULT=0，CAFFE=1，CUDNN=2
• global_pooling: 可选，类型：bool，默认值为false
• ceil_mode: 可选，类型：bool，默认为true
• round_mode: 可选，类型：枚举，取值：CEIL=0，FLOOR=1；默认为CEIL

  【约束】

• kernelH<=inputH+padTop+padBottom
• kernelW<=inputW+padLeft+padRight
• padTop<windowH
• padBottom<windowH
• padLeft<windowW
• padRight<windowW
• 除公共约束外，还需满足下列某一场景支持范围

global pool模式只支持以下范围

1) outputH==1 && outputW==1 && kernelH>=inputH && kernelW>=inputW

2) inputH*inputW<=10000

【量化工具支持】

是

22

Power

计算 y = （scale*x+shift）^ power

【输入】

1个输入

【参数】

• power: 可选，类型：float，默认为1.0
• scale: 可选，类型：float，默认为1.0
• shift: 可选，类型：float，默认为0.0

  【约束】

• power!=1
• scale*x+shift>0

【量化工具支持】

是

23

Prelu

激活函数

【输入】

1个输入

【参数】

• filler: 不支持设置该参数
• channel_shared: 可选，类型：bool，默认为false，是否跨channel共享斜率参数

  【约束】

  无限制

【量化工具支持】

是

24

PriorBox

从目标预选框获取真实目标的位置

【输入】

2个输入，包括：

• 模型的原始输入图片，数据格式：NCHW；
• 特征图，数据格式：NCHW。

  【参数】

• min_size: 必须设置，最小框大小（以像素为单位）
• max_size: 必须设置，最大框大小（以像素为单位）
• aspect_ratio: 数组；类型：float；各种宽高比，重复的比率将被忽略，如果没有提供，使用默认比率1
• flip: 可选，类型：bool，默认为true；如果为true，将翻转每个宽高比，例如，如果有宽高比‘r’，也将生成宽高比‘1.0/r’
• clip: 可选，类型：bool，默认为false；如果为true，将剪切先前的值，使其在[0, 1]范围内
• variance: 数组；调整先前bbox的方差
• img_size: 可选，类型：uint32，img_size与img_h/img_w不能同时存在
• img_h: 可选，类型：uint32
• img_w: 可选，类型：uint32
• step: 可选，类型：float，step与step_h/step_w不能同时存在
• step_h: 可选，类型：float
• step_w: 可选，类型：float
• offset: 类型：float，默认为0.5

  【约束】

  只支持ssd网络。

  输出维度：[n,2,检测框*4,1]。

【量化工具支持】

是

25

Proposal

将预选框通过（proposal, score）排序，通过nms获取topN proposal

【输入】

3个输入（scores，bbox_pred，im_info）

【参数】

• feat_stride: 可选，类型：float
• base_size: 可选，类型：float
• min_size: 可选，类型：float
• ratio: 数组；类型：float
• scale: 数组；类型：float
• pre_nms_topn: 可选，类型：int32
• post_nms_topn: 可选，类型：int32
• nms_thresh: 可选，类型：float

  【约束】

  只用于fastercnn

• ProposalParameter、PythonParameter不能同时存在

  1.preTopK范围为1~6144

  2.postTopK范围为1~1024

  3.scaleCnt*ratioCnt的最大值支持到64

  4.nmsTresh:过滤框使用的阈值，0<nmsTresh<=1

  5.minSize:框的边长的最小值，所有小于此最小值的框将会被过滤掉

  6.featStride:在生成默认框时，指定两个相邻的框延H或W的步长

  7.baseSize:用来生成默认框用到的参数，表示框的基本大小

  8.ratio & scale:生成默认框用到的参数

  9.imgH&imgW:输入到网络的图片高和宽，其值必须大于0

• input维度约束:

  clsProb：C=2*scaleCnt*ratioCnt

  bboxPred：C=4*scaleCnt*ratioCnt

  bboxPrior：N=clsProb.N，C=4*scaleCnt*ratioCnt

  imInfo：N=clsProb.N，C=3

【量化工具支持】

是

26

PSROIPooling

位置敏感的区域池化

【输入】

2个输入

【参数】

• spatial_scale: 必须配置，类型: float
• output_dim: 必须配置，类型: int32，输出通道数
• group_size: 必须配置，类型: int32，编码位置敏感分数图的组数

  【约束】

用于RFCN网络

• 输入Roi框的坐标信息为[roiN, roiC, roiH, roiW]，格式范围是：1<= roiN <=65535，roiC == 5，roiH == 1，roiW == 1；
• 输入的featuremap维度为[xN,xC,xH,xW]
• pooledH==pooledW==groupSize <= 128

[pooledH pooledW ]表示pool框的长宽

输出的格式 y[yN, yC, yH, yW]

• poolingMode == avg pooling， pooledH == pooledW == groupSize， pooledH <= 128， spatialScale > 0， groupSize > 0， outputDim > 0；
• 1<=xN<=65535， roisN % xN == 0；
• HW_LIMIT是xh、xw的约束

xHW = xH * xW，

pooledHW = pooledH * pooledW，

HW_LIMIT = (64*1024–8*1024) / 32，

xH >= pooledH，xW >= pooledW，

xHW >= pooledHW，

xHW/pooledHW<=HW_LIMIT；

• 多batch场景时，每个batch的roi框个数相同，且roi的batch排列顺序与feature相同。

【量化工具支持】

是

27

Relu

激活函数，同时包含普通的relu和leaky relu，可通过参数指定

【输入】

1个输入

【参数】

• negative_slope: 可选，类型：float，默认为0
• engine: 可选，类型：枚举，取值：DEFAULT=0，CAFFE=1，CUDNN=2

  【约束】

  无限制

【量化工具支持】

是

28

Reshape

改变输入维度

【输入】

1个输入

【参数】

• shape: 常量，类型：int64或int
• axis: 可选，类型：int32，默认为0
• num_axes: 可选，类型：int32，默认为-1

  【约束】

  无限制

【量化工具支持】

是

29

ROIAlign

一种区域特征聚集的方式

【输入】

至少有2个输入

【参数】

• pooled_h: 可选，类型：uint32，默认为0
• pooled_w: 可选，类型：uint32，默认为0
• spatial_scale: 可选，类型：float，默认为1
• sampling_ratio: 可选，类型：int32，默认为-1

  【约束】

主要用于maskrcnn

FeatureMap（特征图）约束：

• H * W <= 5248或 W * C < 40960；
• C <= 1280；
• ((C-1)/128+1)*pooledW <= 216；

  RoI（感兴区域）约束：

• C=5(caffe) ，H=1，W=1；
• samplingRatio*pooledW <= 128且samplingRatio*pooledH <= 128；
• H >= pooledH, W >= pooledW。

【量化工具支持】

是

30

ROIPooling

将“候选框”映射到特征图上

【输入】

至少有2个输入

【参数】

• pooled_h: 必须设置，类型：uint32，默认为0
• pooled_w: 必须设置，类型：uint32，默认为0
• spatial_scale: 必须设置，类型：float；默认为1；乘法空间比例因子将ROI坐标从其输入比例转换为pool时使用的比例

  【约束】

主要用于fasterrcnn

• 输入维度：H * W<=8160； 且H <=120； 且 W<=120；
• 输出维度：pooledH <=20, 且pooledW <=20。

【量化工具支持】

是

31

Scale

out=alpha*Input+beta

【输入】

2个输入，input的dim 为4

【参数】

• axis: 可选，类型：int32，默认为1，仅支持axis为1或者-3
• num_axes: 可选，类型：int32，默认为1
• filler: 不支持设置该参数
• bias_term: 可选，类型：bool，默认为false；是否也学习bias（相当于ScaleLayer + BiasLayer，但可能更有效率
• bias_filler: 不支持设置该参数

【约束】

scale,bias的shape只支持（n,c,1,1)，且c维度与input的c维度相等；

【量化工具支持】

是

32

ShuffleChannel

帮助信息在特征通道交叉流动

【输入】

1个输入

【参数】

group: 可选，类型：uint32，默认为1

【约束】

无限制

【量化工具支持】

是

33

Sigmoid

激活函数

【输入】

1个输入

【参数】

engine: 可选，类型：枚举，取值：DEFAULT=0，CAFFE=1，CUDNN=2

【约束】

无限制

【量化工具支持】

是

34

Slice

将输入分解成多个输出

【输入】

1个输入

【参数】

• slice_dim: 可选，类型：uint32，默认为1；axis和slice_dim不能同时存在
• slice_point: 数组；类型：uint32
• axis: 可选，类型: int32，默认为1（表示沿channel拼接）；

  【约束】

  无限制

  【输出】

  无限制

【量化工具支持】

是

35

Softmax

归一化逻辑函数

【输入】

1个输入

【参数】

• engine: 可选，取值：DEFAULT=0，CAFFE=1，CUDNN=2
• axis: 可选，类型：int32，默认为1；表示沿哪个axis作softmax

  【约束】

输入4维时可以针对每一维做softmax：

根据分类的轴不同，计算边界分别为

axis=1时，C<=（(256*1024/4)-8*1024-256）/2；

axis=0时，N<=(56*1024-256)/2；

axis=2时，W=1, 0<H<（1024*1024/32）；

axis=3时，0<W<（1024*1024/32）

输入维度不足4维时，仅支持对最后一维做softmax计算，并且最后一维不超过46080。

【量化工具支持】

是

36

Tanh

激活函数

【输入】

1个输入

【参数】

engine: 可选，类型：枚举，取值：DEFAULT=0，CAFFE=1，CUDNN=2

【约束】

输入tensor元素个数不超过INT32_MAX

【量化工具支持】

是

37

Upsample

maxpool的反向传播过程

【输入】

2个输入

【参数】

scale: 可选，类型：int32，默认为1

【约束】

无限制

【量化工具支持】

是

38

SSDDetectionOutput

SSD网络检测输出

【输入】

3个输入

【参数】

• num_classes: 必选，类型：int32，要预测的类数
• share_location: 可选，类型: bool，默认为true（表示不同类间共享bounding box）
• background_label_id: 可选，类型：int32，默认为0
• nms_param: 可选，非最大抑制
• save_output_param: 可选，用于保存检测结果
• code_type: 可选，默认为CENTER_SIZE
• variance_encoded_in_target: 可选，类型：bool，默认为true；如果为true，方差编码在目标中，否则需要相应地调整预测偏移量
• keep_top_k: 可选，类型：int32，在nms步骤后每个图像要保留的总bbox数；
• confidence_threshold: 可选，类型：float，仅考虑置信度大于阈值的检测；如果没有设置，考虑所有的box
• nms_threshold: 可选，类型：float
• top_k: 可选，类型：int32
• boxes: 可选，类型：int32，默认为1
• relative: 可选，类型：bool，默认为true
• objectness_threshold，可选，类型：float，默认为0.5
• class_threshold: 可选，类型：float，默认为0.5
• biases: 数组
• general_nms_param: 可选

  【约束】

• 只支持SSD网络
• preTopK和postTopK的取值范围当前仅支持1~1024；
• shareLocation 仅支持true；
• nmsEta 仅支持1；
• numClasses支持的范围是1~2048；
• code_type仅支持CENTER_SIZE；
• nms_threshold和confidence_threshold的范围为0.0~1.0

【量化工具支持】

是

39

Reorg

实时物体检测

【输入】

1个输入

【参数】

• stride: 可选，类型：uint32，默认为2
• reverse: 可选，类型：bool，默认为false

  【约束】

只用于YOLOV2

【量化工具支持】

否

40

Reverse

逆转

【输入】

1个输入

【参数】

• axis: 可选，类型：int32，默认为1；控制需翻转的数据轴，内容的布局不会被颠倒

  【约束】

  无限制

【量化工具支持】

否

41

LeakyRelu

LeakyRelu激活函数

【输入】

1个输入

【参数】

同Relu

【约束】

无限制

【量化工具支持】

是

42

YOLODetectionOutput

YOLO网络检测输出

【输入】

4个输入

【参数】

• num_classes: 必选，类型：int32，要预测的类数
• share_location: 可选，类型: bool，默认为true（表示不同类间共享bounding box）
• background_label_id: 可选，类型：int32，默认为0
• nms_param: 可选，非最大抑制
• save_output_param: 可选，用于保存检测结果
• code_type: 可选，默认为CENTER_SIZE
• variance_encoded_in_target: 可选，类型：bool，默认为true；如果为true，方差编码在目标中，否则需要相应地调整预测偏移量
• keep_top_k: 可选，类型：int32，在nms步骤后每个图像要保留的总bbox数；
• confidence_threshold: 可选，类型：float，仅考虑置信度大于阈值的检测；如果没有设置，考虑所有的box
• nms_threshold: 可选，类型：float
• top_k: 可选，类型：int32
• boxes: 可选，类型：int32，默认为1
• relative: 可选，类型：bool，默认为true
• objectness_threshold，可选，类型：float，默认为0.5
• class_threshold: 可选，类型：float，默认为0.5
• biases: 数组
• general_nms_param: 可选

【约束】

• 只用于YOLOV2
• classNUm<10240；anchorBox = 5；
• W <= 1536；
• yolodetectionoutput的上层必须为yoloregion算子。

【量化工具支持】

否