L2norm

这个方法在SSD里面用到，主要是因为不同尺度的feature的大小差的比较多，所以需要进行norm，实现细节如下：

class L2Norm(nn.Module):
    #参数：输入特征图的通道数，缩放像素值到达的范围
    def __init__(self,n_channels, scale):
        super(L2Norm,self).__init__()
        self.n_channels = n_channels
        self.gamma = scale or None
        self.eps = 1e-10
        self.weight = nn.Parameter(torch.Tensor(self.n_channels))
        self.reset_parameters()
        
    def reset_parameters(self):
        init.constant_(self.weight,self.gamma)
        
    def forward(self, x):
        norm = x.pow(2).sum(dim=1, keepdim=True).sqrt()+self.eps
        #x /= norm
        x = torch.div(x,norm)
        out = self.weight.unsqueeze(0).unsqueeze(2).unsqueeze(3).expand_as(x) * x

        return out

scale的意思就是*20，归一化从0~1调整到0~20。这个地方不是正则化，是归一化。

正则化的意思是，参数的平方和要最小，lambda是一个惩罚项系数，也可以是理解为超参数，控制一个比重的。