loss

smooth L1 loss能从两个方面限制梯度：
当预测框与 ground truth 差别过大时，梯度值不至于过大；
当预测框与 ground truth 差别很小时，梯度值足够小。

loss过程

#---1在3个尺度上，模型一共会有16800个anchors。
#---2训练的时候，我们需要选择若干个anchors，让基于这些被选中的anchors的预测结果，参与loss的计算。
#---（2）基本的选择规则是，在anchors和某个ground_truth的overlap大于阈值。
#---3对于bbox和landmarks的回归而言，需要把原来基于原图归一化的位置参数，
# （3）转化为基于anchors的归一化参数，然后计算Smooth-L1-LOSS即可。
#---4对于classification而言，2中筛选出来的都是正样本，因此还需要选择一定的负样本，来训练分类任务。

困难样本挖掘：

"困难样本挖掘"，其实就是对负样本按照loss大小排序，选择前n个loss大的负样本进行梯度更新。

Loss的代码结构

首次按从预测结果得到三个信息：分别为位置信息，置信度信息，关键点信息。

坐标为

【1,16800,4】 [1,16800,2],[1,16800,10]jiang 

将loss中代码中的每一句的含义看懂了并做了笔记。但整体穿起来还是有点模糊。需要再重新多看看。 

换了新的数据集，将新的数据集从dataset格式转化成原图。代码正在运行中还没跑完。