手口一斤

FPN ： Feature Pyramid Networks 即 特征金字塔网络主要想法：用最少的资源进行多层特征融合检测，提升特征提取的效果，提升小目标检测率，提升检测或分割的整体效果；

出自文章：Mask R-CNN总结起来就是：No quantization is performed on any coordinates involved in the RoI，its bins， or the sampling points。No quantization = bilinear 即把坐标量化更换为了双线性插值；替换在了：1、RoI：RPN得到的有目标的区域的边界坐标时；2、bins：RoI变成特征固定大小特征图中计算每个特征图的值时；3、sampling poin

1、torch.nn.L1Loss平均绝对值误差：运算结果与基准之间对应元素之间的差值的绝对值组成的向量；如果使用mean参数，就是求这个向量的均值作为loss，如果是使用了sum就是这个向量的和作为loss；官方文档实现和原理见：https://pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html#torch.nn.CrossEntropyLoss2、torch.nn.MSELoss均方误差loss：运算.

1、lr_scheduler.LambdaLR将每个参数组的学习速率设置为给定函数的初始lr倍。学习率设置为函数的值；2、lr_scheduler.MultiplicativeLR将每个参数组的学习率乘以指定函数中给定的系数;3、lr_scheduler.StepLR每隔固定的epoch就根据给定的系数衰减一次学习率，Step指的是epoch；4、lr_scheduler.MultiStepLR给定epoch要更改的地方，然后按照指定系数衰减；注意与StepLR的区别在于，epo

Adadelta algorithm