学习前言
在学习过一个深度学习库之后，如果想要满足自己项目或者论文的不同需求，大多数需要对仓库及进行修改，此时如何定位修改的位置，并且对变量进行分析修改，就显得非常重要。
深度学习库的组成
通过《初入深度学习3——如何分解与学习一个深度学习库》我们已经了解到，一个深度学习仓库具有不同的组成，我们可以将一个深度学习仓库分解如下：
深度学习库的功能通常包括两个部分，一部分是训练模型，另一部分是利用模型进行预测。
在训练模型时，需要考虑模型本身，训练参数，数据加载与损失函数。
在预测模型时，需要考虑模型本身，数据加载，预测后处理。
修改目标定位
在修改仓库前，需要根据所需要修改的功能对需要修改的目标进行定位，比如：
想要对网络结构进行改进，那么就定位到模型本身，然后修改网络结构的特定部分。
想要对训练参数进行改进，那么就定位到训练参数，然后查找各个参数的作用，进一步进行修改。
想要对数据增强进行改进，那么就定位到数据加载，然后分解其中数据增强的部分，修改数据增强的过程。
想要对损失函数进行改进，那么就定位到损失函数，然后分解其中的回归部分、分类部分等，进一步对细节进行修改。
想要对预测结果进行改进，那么就定位到预测后处理，然后根据自身需求，分解每个输出的作用，进一步修改。
因此，在修改前需要做到：
定位修改目标与分析相关变量。
举例
一、任务介绍
接下来，本文将对目标检测算法进行修改，对检测到的对象进行计数。
这个计数的过程实现非常简单，但询问的人却蛮多的，简单看看如何实现。
二、目标定位
首先需要对计数这个任务进行分析，分析结果如下：
计数与模型本身并没有什么关系。
预测前我们不能进行计数。
计数和训练没什么关系。
计数发生在预测之后。
因此计数是属于预测后处理的内容。我们首先定位到预测的后处理部分。
本文以使用较多的YoloV3-Pytorch库为例，进行解析。定位到YoloV3-Pytorch库的预测的后处理部分，下面的截图中，包括了预测部分与预测后处理的部分。预测后就是预测后处理的部分了。
三、变量分析
对预测结果进行分析，网络self.net的输出是outputs，outputs解码后仍赋给了outputs。这两行过后，outputs是预测结果解码后的内容。
下一步是进行非极大抑制，结果赋给了results，因此results是非极大抑制后的结果。
下一步对非极大抑制后的结果进行分解，获得标签，置信度，和预测框坐标。
在这里，我们已经定位到我们需要的变量了，就是这个top_label，由于top_label代表的是所有预测框的标签，那么我们只需要根据标签进行计数即可。
四、修改代码
既然要使用到top_label，那么首先先打印一下top_label是个什么。
打印出来可知，top_label就是一个长条矩阵罢了，里面是每个预测框的标签种类。
由于要进行计数，我们需要判断每个预测框属于哪个类，在python中，利用矩阵可以进行整体的判断，因此我们对self.class_names进行循环，然后判断top_label等于每个类的数量即可。
类别较多时，会将许多无关的类显示出来，因此多增加一个if sub_label_num > 0:的条件判断，只显示有数量的类别。
for i in range(len(self.class_names)):
sub_label_num = np.sum(top_label == i)
if sub_label_num > 0:
print(self.class_names[i], sub_label_num)
之后就可以正常计数了。
总结
代码的修改有易有难，本文举了一个较为简单的例子，但修改的思路却是不变的，首先定位修改目标，然后进行变量分析，最后修改代码即可。
最大的不变就是变化，需求时时刻刻都是在变化的，自己会修改代码，未来的路也会宽的多。