使用Mxnet进行重构SSD(四)

        前面博客讲述了数据流的输入，通过网络后我们要计算网络损失，我们通过CrossEntropy来进行类别分类，通过SmoothL1来进行计算损失。由于是SSD需要考虑前景与背景的数据平衡，因此根据论文我们选择了Positive:Negitive=1:3。(查询包的位置site-package)

1、首先判断每张图Positive的个数，与整个Batch下Positive的数量。

for cp, bp, ct, bt in zip(*[cls_pred, box_pred, cls_target, box_target]):
    pos_samples = (ct > 0)
    num_pos.append(pos_samples.sum()
num_pos_all = sum([p.asscalar() for p in num_pos])

2、求解每张图片的loss

cls_losses = []
box_losses = []
sum_losses = []
        for cp, bp, ct, bt in zip(*[cls_pred, box_pred, cls_target, box_target]):
            pred = nd.log_softmax(cp, axis=-1)##进行Log_SoftMax，求解出交叉熵
            pos = ct > 0  ##pos的shape为(N*M)
            cls_loss = -nd.pick(pred, ct, axis=-1, keepdims=False)##计算loss
            rank = (cls_loss * (pos - 1)).argsort(axis=1).argsort(axis=1)#Negtive按照Loss计算Loss最大的，以便于进行类似于OHEM来提升鲁棒性。
            hard_negative = rank < nd.maximum(self._min_hard_negatives, pos.sum(axis=1)
                                              * self._negative_mining_ratio).expand_dims(-1)
            # mask out if not positive or negative
            cls_loss = nd.where((pos + hard_negative) > 0, cls_loss, nd.zeros_like(cls_loss))###找到要求的cls_loss
            cls_losses.append(nd.sum(cls_loss, axis=0, exclude=True) / max(1., num_pos_all))##求解class

            bp = _reshape_like(nd, bp, bt)
            box_loss = nd.abs(bp - bt)##计算差值
            box_loss = nd.where(box_loss > self._rho, box_loss - 0.5 * self._rho,
                                (0.5 / self._rho) * nd.square(box_loss))
            # box loss only apply to positive samples
            box_loss = box_loss * pos.expand_dims(axis=-1)
            box_losses.append(nd.sum(box_loss, axis=0, exclude=True) / max(1., num_pos_all))##exclude表示的是除外
            sum_losses.append(cls_losses[-1] + self._lambd * box_losses[-1])