视频链接地址
前期准备知识
filter和channel的具体意义
- 个人理解：filter英文直译为滤波器，主要是针对与卷积核所说的，其数量和卷积核的个数相等，可以将其感性理解为相机传感器中的分层滤色片，每一个卷积核对应一种不同的滤色片，也就能从图像上提取出不同的信息。经过卷积核提取出来的一层信息我们称之为feature map（特征图）
-
channel英文直译为深度，在深度学习中我们有channel、in_channel、out_channel，其中channel一般指矩阵的深度信息，也就是它的层数。in_channel、out_channel也是针对矩阵而言的，但是其数量关系和卷积核又相关，具体数量关系可以见下图。
- 在代码中我们有如下所示关系。
in_channels（这一层输入矩阵的深度）= output_filters[-1]（上一层输出矩阵的深度/上一层卷积核的个数）
out_channels（这一层输出矩阵的深度）= filters（这一层卷积核的个数）
参考文献，这篇博客讲的很清楚，可以详细阅读。
代码解析
-
route模块
i对应的为route对应的索引
因为在最初增加了一个图像输入层，也就是第一张图片里的output_filters=[3]，所以我们网络架构的第一层对应的索引就从0到了1，之后的以此类推，简而言之就是我们网络在最初的位置多加了一层，所以索引顺序数时要+1，逆序数则不用
区分layer和channel，layer说的是第几层，也就是总体结构中的层数，channel为每个layer层对应的深度channel
-
shortcut模块
这里的output是记录的每一个模块的输出，要和output_layers进行区
-
create_grid模块
其中实现框为预测框，虚线框为我们的先验框，而作为真实标注框（GT）图中并未给出，l为预测值，g为真实值
-
torch.meshgrid模块
- 后续内容可以根据代码注释观看，需要对代码熟悉之后才能跟得上思路
