大白话分析——SSD目标检测网络从训练到预测（中）

一. 背景

本文档以ssd300作为背景网络进行解读，以Tensorflow，Keras为框架
原始代码：https://github.com/pierluigiferrari/ssd_keras
分析后的代码：https://github.com/Freshield/LEARN_detection/tree/master/a4_github_better_ssd/a2_analyze_model
目前网上基本都网络部分讲的比较多，但是真正训练和预测部分都相对粗略，所以自己网上找了一个相对比较好的ssd检测作为蓝本来分析，然后把相应的过程用大白话给表达出来，方便大家可以更好的理解网络。

二 到 三 请查找上一篇

https://blog.csdn.net/freshield/article/details/105235281

四. 数据部分

https://blog.csdn.net/freshield/article/details/105493183

五. Loss部分

在训练前最后需要的就是Loss部分的编写了，回顾一下，我们目前得到了预测的值，shape为(batch, 8732, 33)其中33为21(分类预测)+4(坐标预测)+8(先验框位置以及variance)。同时我们也得到并转换了label为同样的尺寸，也就是(batch, 8732, 33)这里的顺序和预测都是相对应的，那么我们就是要分别来计算分类的Loss和坐标的Loss。在这里分类使用的交叉熵Loss而坐标使用的是L1 Smooth Loss。

1. 计算全部框的分类损失，对每个框进行