如果说之前的Concat是将多个bottom合并成一个top的话，那么这篇博客的slice层则完全相反，是把一个bottom分解成多个top，这带来了一个问题，为什么要这么做呢？为什么要把一个低层的切分成多个高层的呢？自然有它的用途，大家想想，假如我们做的是多任务的问题，比如车牌检测、燃气表盘检测、验证码检测，这类OCR问题，之前做的一个项目就是一个多标签的学习，燃气表大家都知道，8位的表盘，每位都是数字（0~9），前面的环节不考虑小数点。采取的方法是定位+识别的方法，我们先用深度模型检测表盘的位置，然后在crop的位置上识别这些数字，那么问题来了，传统的单任务根本不容易做这件事，如果你想把这8位的数字定义成一个任务一个目标的话，那可想而知，类别太太太多了，每类都需要几百张以上的图片，这数据量难以想象；而如果我们把这个问题当作是单任务的多目标呢？类别确实是少了很多，只有最少的10类了（0~9），可问题是每张图片都需要标注这8个数字，有点太辛苦了，当然这种方法比第一个方法要好很多；那如果是多任务单目标呢？你看一张图片上我们只会crop出一个目标，而这个目标我们是知道的，它有8个数字组成，这就是多任务，换一句话说就是检测数字玩8次，每次都是这10个数，但你要同时玩8次这样的事，这就是多任务，多任务伴随着多标签（label），这个时候slice层派上用场，把我们最初的问题大大滴简化了，我们不再需要做那么复杂的标注，同时也将问题变得可控，因为只有10类嘛。
slice层，可根据给定的维度将bottom切分成多个top，用于具有多个输入多任务的网络。slice层有三个参数，axis和slice_dim用于指定切分的维度是什么，默认为1，切分channel维度，还有另一个选择就是切分num，类似于Concat层，但是注意这两个参数只能指定一个，常用axis。第三个参数就是指定从哪里开始切分，怎么切分？这个参数就是slice_point，因此slice层的运用格式为：
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 } }
解释一下，我们的labels是由8个数字组成的，所以8个任务当然要切分成8个label，怎么切呢，显然我们labels之间每隔1为一个label，切7次就搞定了，所以注意slice_point的个数要比top的个数少一个，大概的意思就是一根绳子剪几次有8段？答案是7次，当然绳子是无折叠的，很单纯的。
上面的问题我们是切分label，因为我说是多标签的，那如果切分data呢？有没有这种情况？shuzfan的博客中提到了人脸检测的MTCNN的例子，里面有concat层和slice层在num维度上的运用，因为我没用过，不太熟悉，但说明这种情况是存在的（也即存在便有意义，所以啊，你的存在就是一种意义，常常这么欺骗自己）。
细心的同学发现了，其实caffe还有Split layer，插一句，此处推荐给大家caffe namespace，方便大家查阅，我们可以找到Split layer，对它的描述是：Creates a "split" path in the network by copying the bottom Blob into multiple top Blobs to be used by multiple consuming layers. 意思很明显了，就是把一个bottom 的blob复制成几份相同的blob给top层用。实际中这个层没用过，但我觉得它可以将一个data层对应几个top层，这样起到了共享输入的效果。
总之，在这篇博客和之前Concat的博客中，我们介绍了两个可谓相反的层，在多任务学习中，两者往往在一起用，会起到意想不到的效果。我们可以使用slice层进行多标签学习的时候，运用concat层增加相邻层的语义相关性，增强我们模型对特征的表达能力，这在Concat层解析中已经得到了实验证明。