CornerNet-Lite代码阅读

之前在学习pytorch框架时候，有个老师说整个的使用过程，不外乎四个过程：1）数据准备（预处理、数据加载等）；2）模型定义；3）损失函数与优化器定义；4）进行训练
下面我将通过这样四个步骤对代码进行一个阅读。（划重点： 自我理解！）

1. 数据准备

文章使用的是COCO的数据集，对数据的基本处理在$ROOT/core/dbs下面，文件组织关系BASE–>DETECTION–>COCO,base中定义一些基本属性，detection中对参数进行了初始化，在coco文件中进行了与训练任务相关数据集的信息，如均值方差、类别等。在这里也实现了对数据的加载，以及对标签的转换，转换为[x₁,y₁,x₂,y₂,class]的数组。

2. 模型构建

CornerNet-Lite中有三个网络，位于$ROOT/models下

2.1 CornerNet

class model继承了hg_net，但这里的hg_net并不是真真正的沙漏网络结构，真正的hg在$ROOT/core/models/py_utils/moudules.py中的class hg(nn.Module)，叙述具体细节之前，先看一下CornerNet各模块的定义流程，
在CornerNet.py中的class model(hg_net):我们可以看到如下几个函数：

    # 此模块用于在网络最后接预测（heatmap、tag、offset）
    def _pred_mod(self, dim):
       return nn.Sequential(
       	# 使用1x1kernel将通道数变为dim
           convolution(3, 256, 256, with_bn=False),
           nn.Conv2d(256, dim, (1, 1))
       )
   #  主要用来做归一化
   def _merge_mod(self):
       return nn.Sequential(
           nn.Conv2d(256, 256, (1, 1), bias=<