以下是我个人关于深度学习的所有见解，其后会对深度学习思想，正反向传播，损失函数，正则惩罚，梯度下降，矩阵求导，网络搭建，等等都进行详细的讲解！只有你想不到的，没有我讲不到的。让我用最通俗的语言，为你留下最深刻的印象，后来的年轻人以及我徒弟，好好加油！
深度解剖(0)：最通俗易懂，详细无死角的深度学习讲解(目录)
如果有说得不对的地方，欢迎大家指出，我会第一时间进行修改，有兴趣可以加微信a944284742一起讨论技术，如果觉得喜欢，一定要点赞，因为这是对我最大的鼓励。
在讲解anchor之前，我们先来谈谈anchor（锚点）是怎么来的。我们应该怎么去确定或者生成锚，如果有接触过的朋友，应该知道一般是通过训练数据集聚类获得的，比如yolo3（不懂没关系，继续 往下看）。那么为什么要这样呢？目的是什么 ?
首先，从数据集说起。针对于目标检测，训练数据集的每个样本，都是有标签的，就是已经知道这些框的大小，即长和宽。那么我们是不是可以把这些框进行分类，假设现在把这些框按长度和宽度的不同 ，分成了九个类。然后再从每类框中选出中间的那个box（框），代表这个类的框。
很奇怪奥，为什么要分类，分类干嘛啊？大家想想，这里分类之后，又取了中间那个框，是不是说明，中间那个框，基本是可以圈出自己所在类的物体（不说圈出所有，但是肯定能圈出大部分来）。这样的话，9种类型的框，或者说anchor就能圈出数据集所有物体了。
有人有会说，为什么要9个 ，我一个很大框，不是所有物体都能圈出来了 ，但是，一个框，你没办法准确的把每个物体都很细致的圈出来，框或者anchor太大了，一个anchor可能圈住多个物体。那么还会有人说，我把所有的图片的框，都当做anchor，这样肯定能把每个都目标细致的框出来了 。这样的确是可以，但是这个anchor，是需要我们网络取学习的一个东西，太多的anchor会导致网络参数增多，并且网络很难学习，具体原因请往下看。
anchor的意义前面说，anchor是需要网络去学习的，那么为什么要学习，学习之后有什么用？首先，我们来看看anchor的意思，他翻译过来读作锚点，锚点是 什么？其在中文中是固定的意思，就是说我们固定几个目标，让机器去学习。
现在就可以回答，网络学习anchor的作用了。其实，使用的是这样的一个思想，假设现在有很多很多的水果，葡萄啊，西瓜，荔枝，榴莲，芒果等等。各种各样的水果都有，那么很显然，他们的形状都是一样的。现在呢，给你一个任务，那就是让你用铁丝做成各种各样的框，然后用这些铁丝，把每个水果都合适的圈出来。
为了完成上面的任务，能精确的框出每个物体，那么你是不是需要为每个类别都构建一个铁圈，比如，葡萄，苹果和西瓜都是使用不一样的铁圈，那么这种情况下，我们为了圈出每个类别的物体，我们就需要构建很多个铁拳。但是大家想，这样的工作是不是很累啊 ，要去做那么多的圈。我们换个思路，我们可不可以把苹果和分为一个类，做一个框，把他们圈出来，也可以把梨子顺便也归为和苹果芒果一个类。这样一来，我们要做的铁框是不是减少了？同理还可以把西瓜和芒果分为一个类。
现在我们相信大家有个模糊的概念，前面说是我们人去做那些铁圈，其实呢，在网络中是机器去制作，或者去学习那些铁框,就是所谓的anchor。那么问题来了，机器学，他怎么去学呢？学的目的是什么？
机器学anchor在讲机器如何学习anchor的时候，大家先去百度一下IOU的概念。这个太简单了，就是两个图的交集比上并集。这里就不做详细介绍了，下面我贴一副图：
其中的每个不一样的框，就是通过聚类得来的anchor，现在呢，机器就是要学会拿着些框，去框去图中的物体。如果了解过特征图的同学，要注意一下，这里是从特征图（feature map）倒映射在原图的anchor。也就是说，这里的九个框，仅仅是特征图上的一个点。假设你现在的特征图我10x10的大小，那么就应该对应10x10x9=900个框。这里怎么为大家详细的解释呢？你可以把上面的9个框当做一个整体，在原图上滑动，每滑动一次，就对应特征图（feature map）上的一个点，至于滑动的步伐，可以任意选择。假设为2，也就是说，每次滑动，相当在原图上移动了两个像素（这里我不管了啊，反正当做你大概明白怎么回事）。
先不看滑动的过程，就拿下面这个静止的图片来说：
假设其中粉色的矩形，就是我们要检测的物体，可以明显的知道。他和每个框的交集和并集都是不一样的，那么机器就犹豫了，我应该用哪个框去圈呢？所以啊，这里就需要IOU了，当两个框的IOU值为1的时候，就说明这个框，是最合适的了。也就是说啊，机器会从九个anchor中找到IOU最大的哪个，因为他认为是最合适的。
但是呢？上面出现了一个问题，那就是，最合适的IOU可能是最大的哪个框，这样很明显，不合理啊。那么大的框，去框他，应该使用右上角：
绿色的框，去圈他才是最合适的。因为他们大小相近嘛。所以我前面提到到了滑动，如果这9个anchor在原图上，从左到右，自上而下的滑动一次。那么大家想想，是不是滑动到某个位置的时候，其和这个苹果的iou会达到最大值（接近重合）。此时，这个anchor所在的位置，就是网络预测出来物体的位置。