yoloV3网络结构分析以及参数注释详解

可视化的V3网络结构为

[net]
# Testing                                  测试模式
# batch=1
# subdivisions=1
# Training                                 训练模式
 batch=64                                  一批训练样本的样本数量，每batch个样本更新一次参数
 subdivisions=16                           batch/subdivisions作为一次性送入训练器的样本数量,如果内存不够大，将batch分割为subdivisions个子batch
 
										   上面这两个参数如果电脑内存小，则把batch改小一点，batch越大，训练效果越好
										   subdivisions越大，可以减轻显卡压力
										   
										   
width=416                                  input图像的宽
height=416                                 input图像的高
channels=3                                 input图像的通道数
 
                                           以上三个参数为输入图像的参数信息 width和height影响网络对输入图像的分辨率，
					                       从而影响precision，只可以设置成32的倍数
										   
										   
momentum=0.9                               DeepLearning1中最优化方法中的动量参数，这个值影响着梯度下降到最优值得速度
 
 
decay=0.0005                               权重衰减正则项，防止过拟合.每一次学习的过程中，将学习后的参数按照固定比例进行降低，为了防止过拟合，decay参数越大对过拟合的抑制能力越强。
 
 
angle=0                                    通过旋转角度来生成更多训练样本
saturation = 1.5                           通过调整饱和度来生成更多训练样本
exposure = 1.5                             通过调整曝光量来生成更多训练样本
hue=.1                                     通过调整色调来生成更多训练样本
 
 
 
learning_rate=0.001                        学习率决定着权值更新的速度，设置得太大会使结果超过最优值，太小会使下降速度过慢。
										   如果仅靠人为干预调整参数，需要不断修改学习率。刚开始训练时可以将学习率设置的高一点，
										   而一定轮数之后，将其减小
										   在训练过程中，一般根据训练轮数设置动态变化的学习率。
										   刚开始训练时：学习率以 0.01 ~ 0.001 为宜。
										   一定轮数过后：逐渐减缓。
										   接近训练结束：学习速率的衰减应该在100倍以上。
										   学习率的调整参考
										   
										   
burn_in=1000                               在迭代次数小于burn_in时，其学习率的更新有一种方式，大于burn_in时，才采用policy的更新方式
max_batches = 20200