首先我们要知道ℎ????(????(????))等于什么，它的意思是θ^T乘以X，X是一个向量，如果用等式表达的话就是 θ0????0 + θ1????1 + θ2????2+...+θ???????????? ，当然θ也是一个向量，而且是一维的，python里面有一个库叫numpy，专门做矩阵运算的，我们使用就可以了，我们先初始化X,y,还有θ吧
创新互联是专业的柯坪网站建设公司，柯坪接单;提供做网站、成都做网站,网页设计,网站设计,建网站,PHP网站建设等专业做网站服务;采用PHP框架,可快速的进行柯坪网站开发网页制作和功能扩展;专业做搜索引擎喜爱的网站,专业的做网站团队,希望更多企业前来合作!
先随机初始化，这些东西应该不需要讲，randint是随机整数，rand是小数，然后low参数代表你的随机数上界，size就是维度，初始化完成后就开始运算。
求和公式里面的运算
( (h(θ) = X theta^T) - y )^2*
我想这些应该不难，就是(X * theta.T - y)，平方的话用np的power()函数。
inner = np.power((X * theta.T - y),2)，第二个参数就是平方数
然后我们就可以计算求和公式外面的了，这个m代表着X矩阵的行数，对应的就是X的
向量个数，
np.sum(inner,axis=None)
最后再除以两倍的x向量个数即可，就是1 / len(X) * 2为什么是两倍呢，因为它求了偏导数，所以就是2了，好了，把它们整理一下写成函数吧
输入以下代码导入我们用到的函数库。
import numpy as np
import matplotlib.pyplot as plt
x=np.arange(0,5,0.1);
y=np.sin(x);
plt.plot(x,y)
采用刚才代码后有可能无法显示下图，然后在输入以下代码就可以了：
plt.show()
把one-hot label 转换为soft label，一般认为这样更容易work。
self.loss_fcn = nn.BCEWithLogitsLoss(reduction='none') # must be nn.BCEWithLogitsLoss()
这里reduction用none因为在forward里返回的时候取mean。
刚开始看这几行非常confused，查了很久。
这个issue里说减少false negative的影响，我觉得应该写错了，是减少false positive的影响。
false negative指gt有框而network没有predict到，这时候的weight应该要比较大才对。
，当 ，即 时，alpha_factor=0，这应该是false positive的情况。
直白的说，network觉得这里有一个obj，但是gt说没有，这种情况不应该过多的惩罚。
如果采用绝对值的话，会减轻pred和gt差异过大造成的影响。
假设gt是1，pred_prob如果很小，那么就是hard，这样算出来的p_t也会小，最后modulating_factor大。
对alpha_factor也是类似的。alpha_factor对应于foreground，一般设置为0.25。
这里modulating_factor的算法和QFL论文写的一致。
原本FL用class label，也就是one-hot discrete label来supervise；而QFL将其换成了IoU continuous label。
我们先明确一下p和targets的shape
p，也就是prediction，[num_dec_layer, batch_size, num_anchor, height, width, 85]，这里85是80个class和4个offset以及1个confidence。
targets [nt, 6]
BCEcls, BCEobj是两个criteria，在scratch的hyp中g=0所以没有用focal loss，是普通的BCEloss
cp 和 cn 是soft label的probability，比如0.95 0.05。
balance控制obj loss的加权系数，autobalance决定加权系数也就是balance是否自动更新，autobalance一般是False。
self.balance = {3: [4.0, 1.0, 0.4]} ，有三个layer的输出，第一个layer的weight是4，第二个1，以此类推。如果有5个layer的输出才用右边那个weight数组。
gr 是iou ratio。
targets就是这个batch里所有的labels，targets(img_idx, cls_idx, x, y, w, h)，shape为[nt, 6]。可参考utils/datasets.py line 522, 599。
随便打印几行targets也可以验证我们的分析。
x, y, w, h是归一化后的结果。
先复制了三份一样的targets，在最后面加了一维表明anchor idx，本来是6现在变成7。
gain[2:6] = torch.tensor(p[i].shape)[[3, 2, 3, 2]] # xyxy gain t = targets * gain 这里是把 grid size 拿出来乘，恢复到特征图的维度。
在 match 里面比较简单，容易看懂，就是 anchor 和 target 不能差的太离谱，误差小于阈值就 match。
下一步在扩展 targets，个人认为是 positive examples 太少了，所以根据 center 在 cell 中的相对位置，添加相邻的两个 cell 作为 targets。
举个例子，如果 center 在 cell 的左上角，那么 cell 本身，和 cell 的左边一个位置，还有 cell 的上边一个位置，这三个 cell 都作为 targets。
我个人觉得这里的写法是非常巧妙的，取了 grid xy 和 inverse（类似于 flip）。
(gxy % 1. g) ，这里的 g 是 0.5，如果仅考虑这个条件， 好像可以 直接判断是否选取左边 cell 和上边 cell。
但是要考虑到边界情况，如果当前已经处于最上方，已经没有上边 cell 可以选择了，这就是 (gxy 1.) 起到的作用，判断 edge case。
如果本来大于 0.5，那么 inverse 后就小于 0.5 了，所以可以使用相同的逻辑选择右边 cell 和下边 cell ，类似地推理到 edge case。
最后一点要提的是使用 clamp_ 确保返回的 grid indices 不是非法值，旧版本 code 没用这个检查，不过好像也没什么差。
lcls, lbox, lobj 这三个用来存放loss，默认使用pytorch提供的BCE loss。
pxy = ps[:, :2].sigmoid() * 2. - 0.5 在learn的时候不需要加cx cy。
bbox回归的公式可以参考model/yolo.py line56, 57。
Objectness 这里 gr 设置为 1.0，也就意味着直接拿 iou 作为 confidence。
至于为什么返回 loss 的时候为什么要乘 bs，还不是很清楚，第二个返回值就是为了打印信息用的。
在train的时候，target是在feature map的scale。
在inference的时候，直接乘img map scale的anchor size就可以了，也就是配置文件里的anchor。
平滑函数。
交叉熵损失函数，也称为对数损失或者logistic损失。当模型产生了预测值之后，将对类别的预测概率与真实值（由0或1组成）进行不比较，计算所产生的损失，然后基于此损失设置对数形式的惩罚项。
在神经网络中，所使用的Softmax函数是连续可导函数，这使得可以计算出损失函数相对于神经网络中每个权重的导数（在《机器学习数学基础》中有对此的完整推导过程和案例，这样就可以相应地调整模型的权重以最小化损失函数。
扩展资料：
注意事项：
当预测类别为二分类时，交叉熵损失函数的计算公式如下图，其中y是真实类别（值为0或1），p是预测类别的概率（值为0~1之间的小数）。
计算二分类的交叉熵损失函数的python代码如下图，其中esp是一个极小值，第五行代码clip的目的是保证预测概率的值在0~1之间，输出的损失值数组求和后，就是损失函数最后的返回值。
参考资料来源：百度百科-交叉熵
参考资料来源：百度百科-损失函数
