已yolov3中cfg參數(shù)文件為例

batch=64 ：每一次迭代(iteration)送到網(wǎng)絡(luò)的圖片數(shù)量,也叫做批數(shù)量。增大這個(gè)參數(shù)可以讓網(wǎng)絡(luò)在較少的迭代次數(shù)內(nèi)完成一個(gè)輪次（epoch）。在固定最大迭代次數(shù)的前提（一般如此）下，增加batch的數(shù)量會(huì)延長(zhǎng)訓(xùn)練時(shí)間，但是會(huì)更好的尋找到梯度下降的方向。如果GPU（顯存）夠大，可以增大這個(gè)值來提高內(nèi)存利用率。這個(gè)值是不斷的嘗試選取，過小的話可能會(huì)讓訓(xùn)練不夠收斂，過大的話會(huì)陷入局部最優(yōu)。

subdivison=32：這個(gè)參數(shù)會(huì)讓每一個(gè)batch不是一下子都丟到網(wǎng)絡(luò)中，而是會(huì)分成subdivision對(duì)應(yīng)數(shù)字的份數(shù)，一份一份的都丟到網(wǎng)絡(luò)里，最后一起打包算一次iteration。這樣會(huì)降低對(duì)顯存的占用情況。如果把這個(gè)參數(shù)設(shè)置為1的話，就是將一個(gè)batch扔到網(wǎng)絡(luò)中喂數(shù)據(jù)。如果是2,一次仍一半。

batch_size:批大小。深度學(xué)習(xí)中，一般采用SGD（隨機(jī)梯度下降）訓(xùn)練，每次訓(xùn)練在訓(xùn)練集中取batch_size樣本訓(xùn)練，我理解為和batch一樣的大小數(shù)量。

iteration:迭代，1個(gè)iteration等同于使用batch_size大小的樣本訓(xùn)練一次。

epoch:輪次，1個(gè)epoach等于使用訓(xùn)練集中全部樣本訓(xùn)練一次。

width=32,height=32,channels=3:輸入input圖像的寬，高，為32dimentions。channels是信道（通道）數(shù)，3代表RGB彩色圖片，1代表灰度圖（0代表黑，暗，255代表白，亮）4為RGBA圖，其中A是透明度，也就是一般的輸入（W，H，C），還有一種表示方式，一般用cvtColor將RGB換為另一種色彩空間，飽和度，色調(diào)，亮度，CV_BGR2HSV

angle=180 圖片的角度變化，單位是度，代表生成新圖片的時(shí)候隨機(jī)旋轉(zhuǎn)-180到180度

saturation=1.5,exposure=1.5：飽和度和曝光度變化大小，tiny-yolo-voc.cfg中1到1.5倍以及1/1.5到1倍

hue=.1：色調(diào)變化范圍，tiny-yolo-voc.cfg中-0.1到0.1

每次迭代中，會(huì)基于角度，飽和度，曝光度，色調(diào)產(chǎn)生新的訓(xùn)練圖片

momentum=0.9:沖量，深度學(xué)習(xí)中最優(yōu)化方法中的動(dòng)量參數(shù)，這個(gè)值影響著梯度下降 到最優(yōu)值的速度，這個(gè)參數(shù)代表建議沖量配置為0.9

decay=0.0005:衰減率，權(quán)值衰減，目的是為了防止過擬合，當(dāng)網(wǎng)絡(luò)逐漸過擬合的時(shí)候網(wǎng)絡(luò)權(quán)重往往會(huì)變大，因此，為了防止過擬合，在每次迭代過程中以某個(gè)小因子，也就是衰減率降低權(quán)重，decay參數(shù)，這是給誤差函數(shù)增加一個(gè)懲罰項(xiàng)，常用的懲罰項(xiàng)是所有權(quán)重的平方乘以一個(gè)decay的和，權(quán)值衰減懲罰項(xiàng)使得權(quán)值收斂到較小的絕對(duì)值，減少不重要參數(shù)對(duì)結(jié)果的影響。decay參數(shù)越大對(duì)過擬合的抑制能力越強(qiáng).

learning_rate=0.001:初始的學(xué)習(xí)率。訓(xùn)練發(fā)散的話可以降低學(xué)習(xí)率，學(xué)習(xí)遇到瓶頸，loss不變的話也可以降低學(xué)習(xí)率。學(xué)習(xí)率決定了參數(shù)移動(dòng)到最優(yōu)值的速度快慢，如果學(xué)習(xí)率過大，可能會(huì)越過最優(yōu)值無法收斂，甚至發(fā)散，反之，如果學(xué)習(xí)率過小，優(yōu)化的效率可能過低，算法長(zhǎng)時(shí)間無法收斂，也容易使算法陷入局部最優(yōu)（非凸函數(shù)不能保證達(dá)到全局最優(yōu)）。合適的學(xué)習(xí)率是在保證收斂的前提下，能盡快的收斂。learning_rate的設(shè)置需要不斷嘗試，一開始的時(shí)候可以設(shè)置的大一點(diǎn)，這可以使得weights快一點(diǎn)發(fā)生改變，在迭代一定的epoch之后人工減小學(xué)習(xí)率。在yolo網(wǎng)絡(luò)中，網(wǎng)絡(luò)訓(xùn)練160epoches，初始學(xué)習(xí)率0.001,在60和90epoches時(shí)將學(xué)習(xí)率縮小0.1倍

steps=100,25000,35000：學(xué)習(xí)率變化時(shí)的迭代次數(shù)

scales=10,.1,.1：學(xué)習(xí)率變化的比率。這是和之前的learn_rate,steps組合在一起的，舉個(gè)例子：learn_rate：0.001,step：100,25000,35000 scales:10,.1,.1 這組數(shù)據(jù)的意思是在0到100次的迭代（iteration）期間learning rate是原始的0.001,在100到25000次iteration期間，learning_rate變?yōu)樵瓉淼?0倍，也就是0.01,在25000-35000次迭代期間，learning_rate為上一個(gè)學(xué)習(xí)率的0.1倍，就是0.001,在35000到最大迭代次數(shù)（max_batches)期間，learing_rate為上一個(gè)值的0.1倍，也就是0.0001，。隨著iteration的增加，降低學(xué)習(xí)率可以使得模型更有效學(xué)習(xí)，也可以更好的降低train loss.

burn_in=1000:在迭代次數(shù)小于burn_in時(shí)候，學(xué)習(xí)率的更新有一種方式，大于burn_in時(shí)，才采用policy的更新方式

policy=steps：學(xué)習(xí)策略，一般都是step這種步進(jìn)式。policy一般有:constant,steps,exp,poly,step,RANDOM,等方式。

max_batches=50000:最大迭代次數(shù)，訓(xùn)練達(dá)到max_batches后停止學(xué)習(xí)

[convolutional]

batch_normalize=1:是否做BN

filters=32:輸出多少個(gè)特征圖,每一個(gè)[region/yolo]層前最后一個(gè)卷積層中的filters=(classes+1+coords)*anchors_num,其中anchors_num是該層mask的一個(gè)值，如果沒有mask，則anchors_num=num，這層的anchor5的意義是5個(gè)坐標(biāo)，論文中的tx，ty，tw，th，to。3×（5+len（classes））

sizes=3:卷積核的尺寸

stride=1：卷積運(yùn)算時(shí)的步長(zhǎng)

pad=1：如果pad=1,padding大小為size/2,如果pad=0,padding由padding參數(shù)指定

activation=leaky：激活函數(shù)，leaky Relu，包括logistic,loggy,relu,elu,relie,plse,hardtan,lhtan,linear,ramp,leaky,tanh,stair

[yolo]：在yolov2中yolo層叫region層

mask=6,7,8：當(dāng)前屬于第幾個(gè)預(yù)選框，這一層預(yù)測(cè)了第7,8,9個(gè)anchor boxes，每個(gè)yolo層實(shí)際上只預(yù)測(cè)3個(gè)由mask定義的anchors。

anchors=10,13? ?16,30 ，33,23? 30,61? 62,45? 59,119? ，116,90? ?156,198? 373,326 ：預(yù)測(cè)框的初始寬高，第一個(gè)是w，第二個(gè)是h，總數(shù)量是num*2，YOLOV2作者說anchors是使用K-Means獲得，其實(shí)就是計(jì)算出那種類型的框比較多，可以增加收斂速度，如果不設(shè)置anchors，默認(rèn)是0.5

classes=4：網(wǎng)絡(luò)需要識(shí)別的物體種類數(shù)

num=9：每隔grid cell預(yù)測(cè)幾個(gè)box，和anchors的數(shù)量一致。當(dāng)想使用更多anchors需要調(diào)用更大num，如果調(diào)大num后訓(xùn)練obj時(shí)趨進(jìn)0的話，可以嘗試調(diào)大object_scale

jitter=.3:通過抖動(dòng)增加噪聲來抑制過擬合

ignore_thresh =.5 ：決定是否需要計(jì)算IOU誤差的參數(shù)，若大于閾值（thresh），IOU誤差不會(huì)差在cost function中

truth_thresh=1

random=1:為1時(shí)會(huì)啟動(dòng)Multi-Scale Traing，隨機(jī)使用不同尺寸的圖片進(jìn)行訓(xùn)練，如果為0,每次訓(xùn)練大小與輸入大小一致，是否隨機(jī)確定最后的預(yù)測(cè)框，GPU小可設(shè)置為0

Region Avg IOU：平均的IOU，代表預(yù)測(cè)的bounding box和ground truth 的交集和并集之比，期望該值趨近于1.