下面来看一下stage1_rpn_train.pt这个网络的内部结构。
“ZF”网络结构
一、数据输入层：
从roi_data_layer.layer文件中得到数据， 进入到roi_data_layer.layer文件中，查看forward函数，这个函数的top变量就是输出结果。下面进入forward函数：
blobs =self._get_next_minibatch() ：首先根据self._get_next_minibatch() 函数得到符合caffe格式的blobs。
看一下self._get_next_minibatch() 函数：
由于__C.TRAIN.USE_PREFETCH =False，所以执行else语句。
首先，根据_get_next_minibatch_inds函数得到db_inds，进入_get_next_minibatch_inds函数：
注意，虽然在config文件中cfg.TRAIN.IMS_PER_BATCH的值为2，但是在train_rpn函数中，将其修改为了1，因此：cfg.TRAIN.IMS_PER_BATCH = 1
关于self._perm：
所以，最后得到的db_inds是从np.random.permutation(np.arange(len(self._roidb)))得到的一个元素，也即是：从self._roidb中随机选取一个数值，那么self._roidb又是什么呢？回想set_roidb函数，在这个函数中，将我们得到的准备数据roidb进行随机打乱，得到了：self._roidb。（从这里可以看出，得到的db_inds实际上是把roidb打乱了2次）。
好了，回到_get_next_minibatch函数：
minibatch_db = [self._roidb[i] for i in db_inds]：根据得到的db_inds中，从self._roidb中取出这张图片对应的数据，我们知道是一个字典，然后把这些字典数据组成一个列表minibatch_db （虽然这个列表只有一个元素）。
最后，使用get_minibatch(minibatch_db,self._num_classes)函数，将minibatch_db 转换为blobs。
get_minibatch是一个比较复杂的函数，进入get_minibatch函数：
在这里，利用_get_image_blob函数得到两个输出值im_blob（是一个列表，虽然这里的列表长度为1） 和 im_scales（是一个列表，虽然这里的列表长度为1）。进入_get_image_blob函数看一下：
首先，利用prep_im_for_blob函数来得到每张图片的 im 和 im_scale，然后将它们添加到图片列表processed_ims和缩放比例列表：im_scales。接下来，使用im_list_to_blob函数将图片列表processed_ims转换成blob。然后，将blob 和 im_scales返回。
好了，回到get_minibatch函数，我们得到了im_blob（一个batch的blob），以及在这个batch中每张图片的缩放比例列表im_scales。（注意，这里的batch=1，即：blob的第一个维度为1。im_scales的长度也为1）
这里可以看出，blobs是一个字典，首先，将上面得到的im_blob传入blobs字典。
然后判断cfg.TRAIN.HAS_RPN，注意，在train_rpn函数中：cfg.TRAIN.HAS_RPN =True，所以，这里要执行if语句：判断assert len(im_scales) ==1和assert len(roidb) ==1，经过我们的分析，可以看出，这两个条件是成立的。
gt_inds = np.where(roidb[0]['gt_classes'] !=0)[0]：因为gt_classes = np.zeros((num_objs),dtype=np.int32)，所以，gt_inds 得到的是gt_classes 的行索引，因为gt_classes 对应的是图片中的真实物体矩阵，没有非0值，所以gt_inds 得到的是gt_classes 中所有的行索引。
gt_boxes是一个num_objs行5列的矩阵，其中前面四列是：每个gt_box对应的坐标，第5列是：物体号。
好了，get_minibatch函数结束，回到_get_next_minibatch函数，最后的返回值是一个blobs字典，
blobs = { 'data': im_blob， 'gt_boxes'：gt_boxes， 'im_info'：np.array([高度，宽度, 缩放比例]) }
接下来，返回forward函数，遍历blobs 字典，得到：
top[0] = blobs['data']、 top[1] = blobs['im_info'] 、 top[2] = blobs['gt_boxes'] 。
这样，forward函数结束，得到了top变量。回到‘ZF’网络中：
可以看到，得到的top就是这个网络层中的输出结果。
二、基础的网络层（总共包含5个卷积过程）
接着看下面的网络结构，一开始是：
#========= conv1-conv5 ============
layer {
name: "conv1"
type: "Convolution"
bottom: "data"
top: "conv1"
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
convolution_param {
num_output: 96
kernel_size: 7
pad: 3
stride: 2
}
}
输入是上面得到的‘data'，输出96个通道，卷积核的大小7，补零（补3圈），卷积的stride=2
接下来，一直到conv5 结束，都是一样分析，具体的内容可以参考：https://blog.csdn.net/Seven_year_Promise/article/details/60954553
而且conv5 的输出结果为：batch*256*14*14 。（根据设置，我们知道，这里的batch=1）
三、RPN层
首先看一下RPN层的网络结构：
我们得到的batch*256*14*14 就是图中的feature map,首先进行了一个3*3的卷积，输出的结果还是batch*256*14*14 ，然后分两个方向：
第一个方向，进行1*1*18的卷积，得到的结果为：batch*18*14*14 。根据结果可以看出，这里相当于在特征图的每个格子中取了9个anchor，每个anchor有foreground和background（检测目标是foreground），所以刚好是18个通道。然后进行softmax分类获得foreground anchors，也就相当于初步提取了检测目标候选区域box（一般认为目标在foreground anchors中）。
那么为何要在softmax前后都接一个reshape layer？其实只是为了便于softmax分类，至于具体原因这就要从caffe的实现形式说起了。在caffe基本数据结构blob中以如下形式保存数据：
blob=[batch_size, channel，height，width]
对应至上面的保存bg/fg anchors的矩阵，其在caffe blob中的存储形式为[1, 2*9, 14, 14]。而在softmax分类时需要进行fg/bg二分类，所以reshape layer会将其变为[1, 2, 9*14, 14]大小，即单独“腾空”出来一个维度以便softmax分类，之后再reshape回复原状。
第二个方向，进行1*1*36的卷积，得到的结果为：batch*36*14*14 （实际上是：[1, 4*9, 14, 14]）。也就是每个anchor会得到4个偏移量。
下面看具体的代码：
#========= RPN ============
layer {
name: "rpn_conv1"
type: "Convolution"
bottom: "conv5"
top: "rpn_conv1"
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
convolution_param {
num_output: 256
kernel_size: 3 pad: 1 stride: 1
weight_filler { type: "gaussian" std: 0.01 }
bias_filler { type: "constant" value: 0 }
}
}
layer {
name: "rpn_relu1"
type: "ReLU"
bottom: "rpn_conv1"
top: "rpn_conv1"
}
这里是进行了3*3的卷积，然后又接了一个relu的激活函数。
layer {
name: "rpn_cls_score"
type: "Convolution"
bottom: "rpn_conv1"
top: "rpn_cls_score"
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
convolution_param {
num_output: 18 # 2(bg/fg) * 9(anchors)
kernel_size: 1 pad: 0 stride: 1
weight_filler { type: "gaussian" std: 0.01 }
bias_filler { type: "constant" value: 0 }
}
}
layer {
name: "rpn_bbox_pred"
type: "Convolution"
bottom: "rpn_conv1"
top: "rpn_bbox_pred"
param { lr_mult: 1.0 }
param { lr_mult: 2.0 }
convolution_param {
num_output: 36 # 4 * 9(anchors)
kernel_size: 1 pad: 0 stride: 1
weight_filler { type: "gaussian" std: 0.01 }
bias_filler { type: "constant" value: 0 }
}
}
这两层分别是两个方向，用1*1*18的卷积，得到：rpn_cls_score（[1, 2*9, 14, 14]）；
1*1*36的卷积，得到：rpn_bbox_pred（[1, 4*9, 14, 14]）。
下面将rpn_cls_score改变维度：
通过reshape层，将rpn_cls_score进行reshape，得到：rpn_cls_score_reshape（[1, 2, 9*14, 14]）。
（关于caffe的reshape层：
#dim:0 表示维度不变，即输入和输出是相同的维度。
#dim:2 表示将原来的维度变成2。
#dim:-1 表示由系统自动计算维度，数据的总量不变。）
我们知道，rpn_cls_score（或者说：rpn_cls_score_reshape）和rpn_bbox_pred是网络预测的rpn_box，而且，我们下一步需要对这两个结果计算loss，那么计算loss所需要的target在哪里呢，下面我们需要计算target：
先来看一下参数：param_str: "'feat_stride': 16"，这个实际上表示：图片经过一系列卷积，到现在的feature map缩小了多少倍，也就是说，我们的经过缩放之后的图片经过了最初的五层卷积，高度和宽度都变为了原来的1/16（后面的3*3卷积和1*1卷积之后，feature map大小不变，所以没有计算在内）
再来看一下这一层的输入和输出：
输入：
bottom: 'rpn_cls_score' （1*1*18卷积的结果）
bottom: 'gt_boxes' （roi_data_layer.layer的输出结果，num_obj行5列的矩阵，前4列是坐标，第5列是物体号）
bottom: 'im_info' （roi_data_layer.layer的输出结果， [高度，宽度, 缩放比例]，这里的高度和宽度是缩放之后的）
bottom: 'data' （roi_data_layer.layer的输出结果， 4维矩阵，(batch, 3，高度，宽度），batch=1）
输出：
top: 'rpn_labels' ：
先看一个中间变量labels：height * width *9 个元素的一维向量（height、width 是feature map的高度和宽度），也就是说labels刚好和总的anchor的数量是对应的。然后将labels进行两次reshape：
labels = labels.reshape((1, height, width, A)).transpose(0,3,1,2)，
labels = labels.reshape((1,1, A * height, width))
得到rpn_labels，我们对比一下 rpn_labels的维度：(1,1, 9* 14, 14) 和 rpn_cls_score_reshape的维度（1, 2, 9*14, 14）。发现不太一样，由于对caffe不太熟悉，不知道在计算rpn_loss_cls的时候，是否对rpn_labels进行了后续处理。（当然，这里如果要把rpn_labels和rpn_cls_score_reshape的维度变成一样也很容易处理，进行one_hot处理就可以了）。
top: 'rpn_bbox_targets'：
同样的，先看就中间变量bbox_targets，这是一个：height * width *9行4列的矩阵（列元素：tx，ty，tw，th）。然后进行reshape和转置，bbox_targets = bbox_targets .reshape((1, height, width, A *4)).transpose(0,3,1,2)。
那么，最后得到的维度是（1，A *4，height, width）。和rpn_bbox_pred的维度是一致的。
top: 'rpn_bbox_inside_weights'：和 'rpn_bbox_targets'是一样的操作，先是得到 height * width *9行4列的矩阵（计算rpn_loss_bbox用到，没找到具体的rpn_loss_bbox文件），然后进行reshape和转置，最终得到的结果维度是：（1，A *4*，height, width）。
top: 'rpn_bbox_outside_weights'：和 'rpn_bbox_targets'是一样的操作，先是得到 height * width *9行4列的矩阵（计算rpn_loss_bbox用到，没找到具体的rpn_loss_bbox文件），然后进行reshape和转置，最终得到的结果维度是：（1，A *4*，height, width）。
好了，下面进入rpn.anchor_target_layer文件，具体来看一下上述的结果是怎么实现的，直接看forward函数：
首先，判断batch是否为1，否则报错。然后根据输入得到基本信息：
可以得到：每个格子生成9个anchor，总共有K个格子（K=14*14=196），那么anchor的总数为：K*A个。
所有的anchor具体的坐标为：all_anchors，这是一个K*A行4列的矩阵。
注意：这个生成的all_anchors不是feature map的anchor，而是缩放后的图片的anchor，因为在生成这些anchor的过程中，乘以了系数self._feat_stride（值为：16）。
然后，过滤all_anchors，只保留没有超出图片的anchor：
过滤anchor之后，设置label的值，labels分为三类：1（代表正样本）、0（负样本）、-1（直接丢弃）。
然后，判断anchor和gt_box的overlap（即：IOU）：
（1）先求overlaps矩阵：
overlaps = bbox_overlaps ( np.ascontiguousarray(anchors,dtype=np.float) \
,np.ascontiguousarray(gt_boxes,dtype=np.float) )，结果是一个inds_inside行num_obj列的矩阵
（2）对于每一个gt_box来说，和它的重叠区域最大的那个anchor的labels设为：1（即为：正样本），也就是在overlaps 矩阵中，按照列求最大值，那么每列最大值对应的行索引号对对应的anchor为正样本
（3）overlaps按照行取最大值，如果最大值大于0.7，那么这行对应的anchor为正样本（labels设为：1）
（4）overlaps按照行取最大值，如果最大值小于0.3，那么这行对应的anchor为负样本（labels设为：0）
（5）正样本的个数num_fg取128个，如果大于128，那么多出的部分直接丢弃（labels设为-1）；如果num_fg不够128个，那么用负样本来补；
负样本的个数num_bg取：256-num_fg，同样的，如果num_bg大于256-num_fg，多出的直接丢弃
下面看bbox_targets，bbox_targets和过滤后的anchors （ anchors = all_anchors[inds_inside, :] ）是对应的：
注意：这里的bbox_targets中4列的元素值：是坐标的偏移量，而不是坐标。
到这里还没有结束，注意我们这里得到的labels、bbox_targets都是通过过滤之后的anchors得到的，数量只有inds_inside个。但是，我们预测得到的结果是：rpn_cls_score（[1, 2*9, 14, 14]）（表示：anchor的个数是：9*14*14），这个数量和我们过滤之前的all_anchors的数量是一样的。所以，下面要经过一个简单的处理，利用_unmap函数将labels和bbox_targets的行的数量重新扩展到total_anchors个。
