faster-RCNN、SSD目标函数分为两个部分：对应默认框的位置loss（loc）和类别置信度loss（conf）。Fast R-CNN网络有两个同级输出层（cls score和bbox_prdict层），都是全连接层，称为multi-task。
multi-task任务
（1） clsscore层：用于分类，输出k+1维数组p，表示属于k类和背景的概率。对每个RoI（Region of Interesting）输出离散型概率分布，p由k+1类的全连接层利用softmax计算得出。，loss_cls层评估分类损失函数。由真实分类u对应的概率决定：
,
为anchor预测为目标的概率。
表示target是否有物体，有物体为1 没有为0。
是mini-batche anchor的索引。
（2） bbox_prdict层：用于调整候选区域位置，输出bounding box回归的位移，输出4*K维数组t，表示分别属于k类时，应该平移缩放的参数。,
表示类别的索引，
表示目标的坐标，
表示相对于object proposal的高与宽。
,
是预测的四点坐标，
是真实坐标。
使用的是SmoothL1Loss。具体公式为
（即R函数的公式）。可以使用
实现只有前景才会有回归损失。
设P代表预测类别，U代表真实类别，t代表预测位置，V代表真实位置，则整个模型的损失可以表示为
详细描述为。
（3）那么为什么要使用smoothL1Loss呢
其曲线为
作者这样设置的目的是想让loss对于离群点更加鲁棒，相比于L2损失函数，其对离群点、异常值（outlier）不敏感，可控制梯度的量级使训练时不容易跑飞。
