代码地址：点击打开链接（https://github.com/amdegroot/ssd.pytorch）
这是别人的阅读笔记：在medium，点击打开链接（https://towardsdatascience.com/learning-note-single-shot-multibox-detector-with-pytorch-part-1-38185e84bd79）
数据准备部分
- 准备三个文件: images, anonation（xml,与图片数据同名）,txt（待训练数据的名称）
- 先读取txt，根据txt内容读取image和label
- 重写torch.datasets的__getitem__方法，在这个过程中，要将xml的内容提取出来，xml的内容主要以object的name和box为主，将name转换成index，再将index与box连起来，注意（2，）这样形式的shape
- 再将数据经过transforms，包括加噪声，剪裁，最最关键的是box对应的变化
- 数据预处理也是很重要的一块内容，包括加噪声和裁剪，但是要重写自己的transform。在重写的过程中还得带上标签，因为image的变化可能会引起box的变化，这点不同于分类。
网络结构
- 第一遍粗略过了下网络结构和multi box的代码，网络很明确，vgg+额外的卷积层，然后从中间层的特征图上预测loss，分别是位置的偏移和类别的概率
- box的产生很依赖trick，针对每个gt找出最匹配的default box
- 第二遍过整个网络结构，先构成vgg+extra layers，然后从vgg的conv4_3和fc7、extra layers的每隔两层提取网络的输出结果，通过与其对应的task网络（与提取的层数一一对应）结构产生location/confidence（应该是一些map）。test过程中，这些结果送入detect过程，将conf通过softmax生成概率，将loc解码成对应的坐标位置，最后结果先是选出conf大于阈值的位置，根据这些位置挑选出对应的框，再对框使用nms，最后挑出top_k个最优结果。
训练过程
到现在为止，已经全部过了一遍，接下来的过程就是训练的细节，主要是损失函数的计算，每个image共有8732个box，第一步就是一个个image和其groundtruth进行匹配，将一个batchsize的匹配结果进行累计到一个变量里，通过向量化的操作尽量避免循环的使用，涉及到很多tensor的形状相关的属性的使用以及不少技巧。包括以下过程：
- 在计算两个box的IOU时，采用unsqueeze和expand实现了两个for循环的操作，可以自己在程序里实验一下
- 根据重合度，为8732中的每个box选择一个groundtruth，location：8732*4，confidence：8732*1（值为0~19，共20类），①对于confidence中对应重合度小于阈值的地方，值设为0，即负样本，类别成了21类，在loss的计算过程中增加background部分的损失。②要将box的位置（x1,y1,x21,y2）表达成偏移量delta（x,y,w,h），然后进行损失函数的计算，包括两部分：
- location：挑选重合度大的一些box，根据自带函数F.smooth_l1_loss 计算。
- confidence：文章中说 根据highest confidence loss，选择3倍于正样本数目的负样本，正样本根据重合度已经选择出来了，选择负样本先计算这个confidence loss，首先求取预测confidence的log_sum_exp值，再减去其中对应groundtruth的confidence，其值作为筛选样本的confidence loss，进行排序，选取最大的几个值为负样本，计算交叉熵，计算最终的loss，负样本针对的是background。
新添加框图结构
