Graph-FPN代码解读（3）

model的运作已经分析完毕，接下来回到train文件继续进行查看

可以看到下一行代码我们初始化了一个optimizer，采用的是Adam的方法进行优化传播

接下来的一行调用了model.compile方法，用于在配置训练方法时，告知训练时用的优化器、损失函数和准确率评测标准。可以看到代码中将optimizer设置为了Adam，接着查看loss损失函数的设置，config.py中设置configs.loss = “RetinaNetLoss”，而loss = {“RetinaNetLoss”:RetinaNetLoss}，所以寻找RetinaNetLoss这个类。发现在losses.py中

可以看到这个类继承了tf.losses.Loss，在init方法中其初始化了两个损失计算类RetinaNetClassificationLoss和RetinaNetBoxLoss分别用来计算回归和分类问题

查看分类损失的损失函数RetinaNetClassificationLoss，可以看到其使用了cross_entropy这个交叉熵损失函数。其中tf.where()返回一个布尔张量中真值的位置。对于非布尔型张量，非0的元素都判为True。tf.where还有一个用法：tf.where(input, a,b)，其中a，b均为尺寸一致的tensor，实现a中对应input中true的位置的元素值不变，其余元素由b中对应位置元素替换。

查看回归的损失函数RetinaNetBoxLoss，tf.reduce_sum()作用是按一定方式计算张量中元素之和，axis可以为负数，此时表示倒数第axis个维度

最后查看call方法，其实就是调用上述两个loss方法进行计算，进行相加返回

进行debug调试一下，可以看到y_pred的数值应该是之前call函数的返回值，而y_true的值应该是我们的标签值

tf.cast进行数据类型转换，转换为tf.float32
box_labels和box_predictions分别从总的特征向量中取出前4个（也就是回归任务对应的特征向量）

tf.one_hot()函数是将input转化为one-hot类型数据输出

one_hot(indices, depth, on_value=None, off_value=None, axis=None, dtype=None, name=None)
indices表示输入的多个数值，通常是矩阵形式；
depth表示输出的尺寸。
由于one-hot类型数据长度为depth位,其中只用一位数字表示原输入数据，这里的on_value就是这个数字，默认值为1，one-hot数据的其他位用off_value表示，默认值为0。

通过这个函数，我们原本一维的向量维度变为了80维，与特征向量相符合，同时取出原本总向量的后80维，作为分类任务的特征向量

进行loss计算后我们得到了损失值，都是1 * 9441的向量

最后进行loss的相加，tf.reduce_sum()作用是按一定方式计算张量中元素之和，axis指定按哪个维度进行加和，默认将所有元素进行加和。之后分类和回归的loss都变为一维的Tensor，将两者相加返回。