如果說之前的Concat是將多個bottom合並成一個top的話，那么這篇博客的slice層則完全相反，是把一個bottom分解成多個top，這帶來了一個問題，為什么要這么做呢？為什么要把一個低層的切分成多個高層的呢？自然有它的用途，大家想想，假如我們做的是多任務的問題，比如車牌檢測、燃氣表盤檢測、驗證碼檢測，這類OCR問題，之前做的一個項目就是一個多標簽的學習，燃氣表大家都知道，8位的表盤，每位都是數字（0~9），前面的環節不考慮小數點。采取的方法是定位+識別的方法，我們先用深度模型檢測表盤的位置，然后在crop的位置上識別這些數字，那么問題來了，傳統的單任務根本不容易做這件事，如果你想把這8位的數字定義成一個任務一個目標的話，那可想而知，類別太太太多了，每類都需要幾百張以上的圖片，這數據量難以想象；而如果我們把這個問題當作是單任務的多目標呢？類別確實是少了很多，只有最少的10類了（0~9），可問題是每張圖片都需要標注這8個數字，有點太辛苦了，當然這種方法比第一個方法要好很多；那如果是多任務單目標呢？你看一張圖片上我們只會crop出一個目標，而這個目標我們是知道的，它有8個數字組成，這就是多任務，換一句話說就是檢測數字玩8次，每次都是這10個數，但你要同時玩8次這樣的事，這就是多任務，多任務伴隨着多標簽（label），這個時候slice層派上用場，把我們最初的問題大大滴簡化了，我們不再需要做那么復雜的標注，同時也將問題變得可控，因為只有10類嘛。
slice層，可根據給定的維度將bottom切分成多個top，用於具有多個輸入多任務的網絡。slice層有三個參數，axis和slice_dim用於指定切分的維度是什么，默認為1，切分channel維度，還有另一個選擇就是切分num，類似於Concat層，但是注意這兩個參數只能指定一個，常用axis。第三個參數就是指定從哪里開始切分，怎么切分？這個參數就是slice_point，因此slice層的運用格式為：
layer { name: "slicelayer" type: "Slice" bottom: "labels" top: "labels1" top: "labels2" top: "labels3" top: "labels4" top: "labels5" top: "labels6" top: "labels7" top: "labels8" slice_param { axis: 1 slice_point: 1 slice_point: 2 slice_point: 3 slice_point: 4 slice_point: 5 slice_point: 6 slice_point: 7 } }
解釋一下，我們的labels是由8個數字組成的，所以8個任務當然要切分成8個label，怎么切呢，顯然我們labels之間每隔1為一個label，切7次就搞定了，所以注意slice_point的個數要比top的個數少一個，大概的意思就是一根繩子剪幾次有8段？答案是7次，當然繩子是無折疊的，很單純的。
上面的問題我們是切分label，因為我說是多標簽的，那如果切分data呢？有沒有這種情況？shuzfan的博客中提到了人臉檢測的MTCNN的例子，里面有concat層和slice層在num維度上的運用，因為我沒用過，不太熟悉，但說明這種情況是存在的（也即存在便有意義，所以啊，你的存在就是一種意義，常常這么欺騙自己）。
細心的同學發現了，其實caffe還有Split layer，插一句，此處推薦給大家caffe namespace，方便大家查閱，我們可以找到Split layer，對它的描述是：Creates a "split" path in the network by copying the bottom Blob into multiple top Blobs to be used by multiple consuming layers. 意思很明顯了，就是把一個bottom 的blob復制成幾份相同的blob給top層用。實際中這個層沒用過，但我覺得它可以將一個data層對應幾個top層，這樣起到了共享輸入的效果。
總之，在這篇博客和之前Concat的博客中，我們介紹了兩個可謂相反的層，在多任務學習中，兩者往往在一起用，會起到意想不到的效果。我們可以使用slice層進行多標簽學習的時候，運用concat層增加相鄰層的語義相關性，增強我們模型對特征的表達能力，這在Concat層解析中已經得到了實驗證明。