SSD网络multibox代码解析

def multibox(vgg, extra_layers, cfg, num_classes):
    loc_layers = []
    conf_layers = []
    vgg_source = [21, -2]
    for k, v in enumerate(vgg_source):
        print("enumerate(vgg_source): ", k, v)
        loc_layers += [nn.Conv2d(vgg[v].out_channels,
                                 cfg[k] * 4, kernel_size=3, padding=1)]
        conf_layers += [nn.Conv2d(vgg[v].out_channels,
                        cfg[k] * num_classes, kernel_size=3, padding=1)]
    for k, v in enumerate(extra_layers[1::2], 2):
        loc_layers += [nn.Conv2d(v.out_channels, cfg[k]
                                 * 4, kernel_size=3, padding=1)]
        conf_layers += [nn.Conv2d(v.out_channels, cfg[k]
                                  * num_classes, kernel_size=3, padding=1)]
    print("multibox cfg: ",cfg)
    # print("vgg: ",vgg)
    # print("extra_layers: ", extra_layers)
    # print("loc_layers: ", loc_layers)
    # print("conf_layers: ", conf_layers)
    return vgg, extra_layers, (loc_layers, conf_layers)

这段代码是用来定义SSD模型中的多尺度预测层的，也就是在VGG主干网络和额外层之后添加的一些卷积层，用来预测每个位置的边界框和类别置信度。这些预测层的结构和参数由cfg参数指定，其中每个元素表示每个位置对应的边界框的数量。这段代码的功能是根据cfg参数，分别在VGG网络和额外层中选取一些特征图，然后在每个特征图上添加两个卷积层，一个用来预测边界框的坐标，一个用来预测边界框的类别置信度，并将它们存储在两个列表loc_layers和conf_layers中，最后返回这两个列表以及VGG网络和额外层。具体来说：

• 定义两个空列表loc_layers和conf_layers，用来存储边界框预测层和类别置信度预测层
• 定义一个列表vgg_source，表示从VGG网络中选取的特征图的索引，分别是第21层（conv4_3）和倒数第二层（fc7）
• 对vgg_source进行遍历，每次取出一个索引v
• 在VGG网络的第v层后面添加一个卷积层，其输出通道数为cfg中对应位置的元素乘以4（因为每个边界框需要4个坐标），其卷积核大小为3x3，其填充为1，将这个卷积层加入到loc_layers列表中
• 在VGG网络的第v层后面再添加一个卷积层，其输出通道数为cfg中对应位置的元素乘以num_classes（因为每个边界框需要num_classes个类别置信度），其卷积核大小为3x3，其填充为1，将这个卷积层加入到conf_layers列表中
• 对额外层进行遍历，从第二个开始每隔一个取出一个卷积层v（因为额外层中有一些降采样的卷积层不用于预测）
• 在额外层的第v层后面添加一个卷积层，其输出通道数为cfg中对应位置的元素乘以4（因为每个边界框需要4个坐标），其卷积核大小为3x3，其填充为1，将这个卷积层加入到loc_layers列表中
• 在额外层的第v层后面再添加一个卷积层，其输出通道数为cfg中对应位置的元素乘以num_classes（因为每个边界框需要num_classes个类别置信度），其卷积核大小为3x3，其填充为1，将这个卷积层加入到conf_layers列表中

这样，当遍历完cfg参数后，就得到了一组多尺度预测层。

输出断点测试

vgg: 
[Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False), Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False), Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=True), Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False), Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), ReLU(inplace=True), 
MaxPool2d(kernel_size=3, stride=1, padding=1, dilation=1, ceil_mode=False), Conv2d(512, 1024, kernel_size=(3, 3), stride=(1, 1), padding=(6, 6), dilation=(6, 6)), 
ReLU(inplace=True), 
Conv2d(1024, 1024, kernel_size=(1, 1), stride=(1, 1)), 
ReLU(inplace=True)]

extra_layers:  
[Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1)), 
Conv2d(256, 512, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1)), Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1)), 
Conv2d(128, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1)), Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1)), 
Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1)), 
Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1)), 
Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1))]

loc_layers:  
[Conv2d(512, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), 
Conv2d(1024, 24, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), 
Conv2d(512, 24, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), 
Conv2d(256, 24, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), 
Conv2d(256, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), 
Conv2d(256, 16, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))]

conf_layers:  
[Conv2d(512, 84, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),
 Conv2d(1024, 126, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), 
 Conv2d(512, 126, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), 
 Conv2d(256, 126, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)), 
 Conv2d(256, 84, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),
  Conv2d(256, 84, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))]