caffe inplace 操作

所谓的in-place操作，即就地操作，就是说一个函数的输入图像src与输出图像dst是同一图像。比如，高斯滤波函数GaussianBlur( )支持in-place,那么我们就可以：

GaussianBlur(src,src,Size(3,3),2,2);

而不需要：

GaussianBlur(src,dst,Size(2,2),2,2);

caffe利用in-place计算可以节省内（显）存，同时还可以省去反复申请和释放内存的时间。

相同名字的bottom和top这些blob就是同一个blob，占用的是同一个空间。

简单来解释就是：int a;a = 0;a = 1;你可以无数次对这个a进行改变。

对于blob来说也是一样。至于谁先谁后，那就是看你的网络定义哪个layer在前，它就先计算。如果有两个layer输出的blob名称是一样的，

那么它们的输入blob也一定会有这个blob ，也就是，如果layer不是对输入blob本身操作，就不允许输出blob同名。

比如：layer1和layer2的输入和输出blob都是blob1，它们都是对blob1进行操作，这是允许的，直接按顺序计算就可以了。

layer1的输入blob是blob1，输出blob是blob_out，layer2的输入blob是blob2，输出blob也是blob_out，那么这就是不允许的。

因为它们不是对它们的输入blob本身进行操作，假设你允许这样的操作，那么后运算的layer会将blob_out覆盖成后运算的结果，前面运算的blob_out的结果就消失了。

当然，layer1和layer2的输入和输出blob都是blob1，它们都是对blob1进行操作，比如layer1先计算，然后layer2后计算，计算layer2的结果也是会把layer1的结果给覆盖

，只不过是网络已经不需要这个layer1的结果而已，因为它已经前向传播过去了...

一般来说，convolution、pooling层应该没办法支持，因为top blob和bottom blob的size不一致。

目前已知的支持in-place操作的层有：ReLU层，Dropout层，BatchNorm层，Scale层

所谓的in-place操作，即就地操作，就是说一个函数的输入图像src与输出图像dst是同一图像。比如，高斯滤波函数GaussianBlur( )支持in-place,那么我们就可以：

GaussianBlur(src,src,Size(3,3),2,2);

而不需要：

GaussianBlur(src,dst,Size(2,2),2,2);