diff --git a/doc/fluid/api_cn/initializer_cn/XavierInitializer_cn.rst b/doc/fluid/api_cn/initializer_cn/XavierInitializer_cn.rst index 2e18f661adc6db2c1a38ef6b3a39526a3e1929a8..4669437654a11f8a6c6b4824ed5c69dbd7757a41 100644 --- a/doc/fluid/api_cn/initializer_cn/XavierInitializer_cn.rst +++ b/doc/fluid/api_cn/initializer_cn/XavierInitializer_cn.rst @@ -22,9 +22,9 @@ XavierInitializer x = \sqrt{\frac{2.0}{fan\_in+fan\_out}} 参数： - - **uniform** (bool) - 是否用均匀分布或者正态分布 - - **fan_in** (float) - 用于Xavier初始化的fan_in。如果为None，fan_in沿伸自变量 - - **fan_out** (float) - 用于Xavier初始化的fan_out。如果为None，fan_out沿伸自变量 + - **uniform** (bool) - 是否用均匀分布，默认为True。如果为False，则使用正态分布。 + - **fan_in** (float) - 当前网络层的输入神经元个数。如果为None，则从变量中推断，默认为None。 + - **fan_out** (float) - 当前网络层的输出神经元个数。如果为None，则从变量中推断，默认为None。 - **seed** (int) - 随机种子 .. note:: diff --git a/doc/fluid/api_cn/layers_cn/acos_cn.rst b/doc/fluid/api_cn/layers_cn/acos_cn.rst index aec2b375b7d5649da2538ebe3e6ad690456df8b2..408b2ed70566f02ed4edcdc486b1a01671407154 100644 --- a/doc/fluid/api_cn/layers_cn/acos_cn.rst +++ b/doc/fluid/api_cn/layers_cn/acos_cn.rst @@ -11,16 +11,23 @@ arccosine激活函数。 out = cos^{-1}(x) 参数: - - **x** - acos算子的输入 + - **x(Variable)** - acos的输入Tensor，数据类型为 float32 或 float64 + - **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。 +返回： `acos` 的输出Tensor，数据类型与 `x` 相同。 + +返回类型： Variable + -返回： acos算子的输出。 **代码示例**： .. code-block:: python import paddle.fluid as fluid - data = fluid.layers.data(name="input", shape=[32, 784]) + data = fluid.layers.data(name="input", shape=[4]) + # if data is [-0.8183, 0.4912, -0.6444, 0.0371] result = fluid.layers.acos(data) + # result is [2.5293, 1.0573, 2.2711, 1.5336] + diff --git a/doc/fluid/api_cn/layers_cn/asin_cn.rst b/doc/fluid/api_cn/layers_cn/asin_cn.rst index e0ef3bf1f597fde16b73f66a62a6ee4192aedc5a..a7fff929d09a7dd5ed1d81615320248e2e620a90 100644 --- a/doc/fluid/api_cn/layers_cn/asin_cn.rst +++ b/doc/fluid/api_cn/layers_cn/asin_cn.rst @@ -10,18 +10,24 @@ arcsine激活函数。 .. math:: out = sin^{-1}(x) + 参数: - - **x** - asin算子的输入 + - **x(Variable)** - asin的输入Tensor，数据类型为 float32 或 float64 + - **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。 + +返回： `asin` 的输出Tensor，数据类型与 `x` 相同。 -返回： asin算子的输出。 +返回类型： Variable **代码示例**： .. code-block:: python import paddle.fluid as fluid - data = fluid.layers.data(name="input", shape=[32, 784]) + data = fluid.layers.data(name="input", shape=[4]) + # if data is [-0.8183, 0.4912, -0.6444, 0.0371] result = fluid.layers.asin(data) + # result is [-0.9585, 0.5135, -0.7003, 0.0372] diff --git a/doc/fluid/api_cn/layers_cn/atan_cn.rst b/doc/fluid/api_cn/layers_cn/atan_cn.rst index f9c9994e994904e620bf4c216d78c5869af2bbc7..618151ec5f61f556c41f19417de2206d33b223bb 100644 --- a/doc/fluid/api_cn/layers_cn/atan_cn.rst +++ b/doc/fluid/api_cn/layers_cn/atan_cn.rst @@ -11,17 +11,22 @@ arctanh激活函数。 out = tanh^{-1}(x) 参数: - - **x** - atan算子的输入 + - **x(Variable)** - atan的输入Tensor，数据类型为 float32 或 float64 + - **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。 -返回： atan算子的输出。 +返回： `atan` 的输出Tensor，数据类型与 `x` 相同。 + +返回类型： Variable **代码示例**： .. code-block:: python import paddle.fluid as fluid - data = fluid.layers.data(name="input", shape=[32, 784]) + data = fluid.layers.data(name="input", shape=[4]) + # if data is [-0.8183, 0.4912, -0.6444, 0.0371] result = fluid.layers.atan(data) + # result is [-0.6858, 0.4566, -0.5724, 0.0371] diff --git a/doc/fluid/api_cn/layers_cn/multiclass_nms_cn.rst b/doc/fluid/api_cn/layers_cn/multiclass_nms_cn.rst index 0698a29b83d8316ce12c17f87133342c42280db0..7dc576160b68917901ddbc71649fc94eb9fb118f 100644 --- a/doc/fluid/api_cn/layers_cn/multiclass_nms_cn.rst +++ b/doc/fluid/api_cn/layers_cn/multiclass_nms_cn.rst @@ -7,36 +7,55 @@ multiclass_nms **多分类NMS** -该运算用于对边界框（bounding box）和评分进行多类非极大值抑制（NMS）。 +该OP用于对边界框（bounding box）和评分（scores）执行多类非极大值抑制（NMS）。 -在NMS中，如果提供 ``score_threshold`` 阈值，则此算子贪婪地选择具有高于 ``score_threshold`` 的高分数的检测边界框（bounding box）的子集，然后如果nms_top_k大于-1，则选择最大的nms_top_k置信度分数。 接着，该算子基于 ``nms_threshold`` 和 ``nms_eta`` 参数，通过自适应阈值NMS移去与已经选择的框具有高IOU（intersection over union）重叠的框。 +在NMS中，如果提供 ``score_threshold`` 阈值，则此OP贪心地选择所有得分（scores）高于 ``score_threshold`` 的检测边界框（bounding box）的子集，如果nms_top_k大于-1，则选择最大的nms_top_k置信度分数。 接着，该OP依据 adaptive nms（基于 ``nms_threshold`` 和 ``nms_eta``），删除与已选择的框IOU(交并比)高于nms_threshold 的重叠框。 + +在NMS步骤后，如果keep_top_k大于-1，则每个图像最多保留keep_top_k个框（bounding box）。 + +计算示例： + .. code-block:: text + + 如果: + box1.data = (2.0, 3.0, 7.0, 5.0) 数据格式为 (xmin, ymin, xmax, ymax) + box1.scores = (0.7, 0.2, 0.4) 其中 (label0.score=0.7, label1.score=0.2, label2.cores=0.4) + box2.data = (3.0, 4.0, 8.0, 5.0) + box2.score = (0.3, 0.3, 0.1) + nms_threshold = 0.3 + background_label = 0 + score_threshold = 0 + 则: + iou = 4/11 > 0.3 + out.data = [[1, 0.3, 3.0, 4.0, 8.0, 5.0], + [2, 0.4, 2.0, 3.0, 7.0, 5.0]] + + 输出数据格式为 (label, confidence, xmin, ymin, xmax, ymax) -在NMS步骤后，如果keep_top_k大于-1，则每个图像最多保留keep_top_k个总bbox数。 参数： - - **bboxes** (Variable) – 支持两种类型的bbox（bounding box）: + - **bboxes** (Variable) – 支持两种类型的边界框（bounding box）: - 1. （Tensor）具有形[N，M，4]或[8 16 24 32]的3-D张量表示M个边界bbox的预测位置， N是批大小batch size。当边界框(bounding box)大小等于4时，每个边界框有四个坐标值，布局为[xmin，ymin，xmax，ymax]。 - 2. （LoDTensor）形状为[M，C，4] M的三维张量是边界框的数量，C是种类数量 + 1. （Tensor）形为[N，M，4 或 8、16、24、32]的3-D张量，表示将预测M个边界框的预测位置， N是批大小（batch size）。当边界框(bounding box)大小等于4时，每个边界框有四个坐标值，布局为[xmin，ymin，xmax，ymax]。数据类型为float32或float64。 + 2. （LoDTensor）形状为[M，C，4] M是边界框的个数，C是类别个数。数据类型为float32或float64 - **scores** (Variable) – 支持两种类型的分数： - 1. （tensor）具有形状[N，C，M]的3-D张量表示预测的置信度。 N是批量大小 batch size，C是种类数目，M是边界框bounding box的数量。对于每个类别，存在对应于M个边界框的总M个分数。请注意，M等于bboxes的第二维。 - 2. （LoDTensor）具有形状[M，C]的2-D LoDTensor。 M是bbox的数量，C是种类数目。在这种情况下，输入bboxes应该是形为[M，C，4]的第二种情况。 + 1. （Tensor）具有形状[N，C，M]的3-D张量表示预测的置信度。 N是批量大小 batch size，C是种类数目，M是边界框bounding box的数量。对于每个类别，存在对应于M个边界框的总M个分数。请注意，M等于bboxes的第二维。数据类型为float32或float64。 + 2. （LoDTensor）具有形状[M，C]的2-D LoDTensor。 M是bbox的数量，C是种类数目。在这种情况下，输入bboxes应该是形为[M，C，4]的第二种情况。数据类型为float32或float64。 - - **background_label** (int) – 背景标签（类别）的索引，背景标签（类别）将被忽略。如果设置为-1，则将考虑所有类别。默认值：0 + - **background_label** (int) – 背景标签（类别）的索引，如果设置为 0 ，则忽略背景标签（类别）。如果设置为 -1 ，则考虑所有类别。默认值：0 - **score_threshold** (float) – 过滤掉低置信度分数的边界框的阈值。如果没有提供，请考虑所有边界框。 - - **nms_top_k** (int) – 根据通过score_threshold的过滤后而得的检测(detection)的置信度，所需要保留的最大检测数。 - - **nms_threshold** (float) – 在NMS中使用的阈值。默认值：0.3 。 - - **nms_eta** (float) – 在NMS中使用的阈值。默认值：1.0 。 + - **nms_top_k** (int) – 基于 score_threshold 的过滤检测后，根据置信度保留的最大检测次数。 + - **nms_threshold** (float) – 在NMS中用于剔除检测框IOU的阈值，默认值：0.3 。 + - **nms_eta** (float) – 在NMS中用于调整 nms_threshold 的参数，设为1时表示nms_threshold不变。默认值：1.0 。 - **keep_top_k** (int) – NMS步骤后每个图像要保留的总bbox数。 -1表示在NMS步骤之后保留所有bbox。 - **normalized** (bool) – 检测是否已经经过正则化。默认值：True 。 - - **name** (str) – 多类nms op(此op)的名称，用于自定义op在网络中的命名。默认值：None 。 + - **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。 返回：形为[No，6]的2-D LoDTensor，表示检测(detections)结果。每行有6个值：[标签label，置信度confidence，xmin，ymin，xmax，ymax]。或形为[No，10]的2-D LoDTensor，用来表示检测结果。 每行有10个值：[标签label，置信度confidence，x1，y1，x2，y2，x3，y3，x4，y4]。 No是检测的总数。 如果对所有图像都没有检测到的box，则lod将设置为{1}，而Out仅包含一个值-1。 （1.3版本之后，当未检测到box时，lod从{0}更改为{1}） -返回类型：Out +返回类型：Variable，数据类型与输入一致。 **代码示例** diff --git a/doc/fluid/api_cn/layers_cn/noam_decay_cn.rst b/doc/fluid/api_cn/layers_cn/noam_decay_cn.rst index e59e18f0fedb0573f89b060e93c6a023a592b421..6cdb95fcd7a7b5b4de1ab754a3e319226bbe24ae 100644 --- a/doc/fluid/api_cn/layers_cn/noam_decay_cn.rst +++ b/doc/fluid/api_cn/layers_cn/noam_decay_cn.rst @@ -5,7 +5,9 @@ noam_decay .. py:function:: paddle.fluid.layers.noam_decay(d_model,warmup_steps) -Noam衰减方法。noam衰减的numpy实现如下。 +Noam衰减方法 + +noam衰减的numpy实现如下： .. code-block:: python @@ -23,11 +25,13 @@ Noam衰减方法。noam衰减的numpy实现如下。 请参照 `attention is all you need `_ 参数： - - **d_model** (Variable)-模型的输入和输出维度 - - **warmup_steps** (Variable)-超参数 + - **d_model** (Variable|int) - 模型的输入、输出向量特征维度。类型可设置为标量Tensor，或int值。 + - **warmup_steps** (Variable|int) - 预热步数，类型可设置为标量Tensor，或int值。 返回：衰减的学习率 +返回类型： Variable + **代码示例**： .. code-block:: python diff --git a/doc/fluid/api_cn/layers_cn/piecewise_decay_cn.rst b/doc/fluid/api_cn/layers_cn/piecewise_decay_cn.rst index a025e1349dcb568439d7cd93a19c86ce4dd6351b..9aeea557f92951e63710679f21ea31ed0a20287f 100644 --- a/doc/fluid/api_cn/layers_cn/piecewise_decay_cn.rst +++ b/doc/fluid/api_cn/layers_cn/piecewise_decay_cn.rst @@ -21,8 +21,8 @@ piecewise_decay learning_rate = 0.1 参数： - - **boundaries** -一列代表步数的数字 - - **values** -一列学习率的值，从不同的步边界中挑选 + - **boundaries(list)** - 代表步数的数字 + - **values(list)** - 学习率的值，不同的步边界中的学习率值 返回：衰减的学习率 diff --git a/doc/fluid/api_cn/layers_cn/polynomial_decay_cn.rst b/doc/fluid/api_cn/layers_cn/polynomial_decay_cn.rst index 44f0aa5510bc58c25244682cd588c0c0194a6089..ec04e1964d320095ffe1946e1f5c83cdcd347fb2 100644 --- a/doc/fluid/api_cn/layers_cn/polynomial_decay_cn.rst +++ b/doc/fluid/api_cn/layers_cn/polynomial_decay_cn.rst @@ -17,11 +17,11 @@ polynomial_decay (1 - global_step / decay_steps) ^ power + end_learning_rate 参数： - - **learning_rate** (Variable|float32)-标量float32值或变量。是训练过程中的初始学习率。 - - **decay_steps** (int32)-Python int32数 - - **end_learning_rate** (float)-Python float数 - - **power** (float)-Python float数 - - **cycle** (bool)-若设为true，每decay_steps衰减学习率 + - **learning_rate** (Variable|float) - 训练过程中的初始学习率，数据类型为float的常数或变量。 + - **decay_steps** (int) - 衰减步数 + - **end_learning_rate** (float) - 训练过程的最终学习率 + - **power** (float) - 多项式衰减系数 + - **cycle** (bool) - step 超出 decay_steps 后是否继续循环，默认为False 返回：衰减的学习率 diff --git a/doc/fluid/api_cn/layers_cn/yolo_box_cn.rst b/doc/fluid/api_cn/layers_cn/yolo_box_cn.rst index ba761726bdd4d094c544728b2e646f1d42e744f6..5fdc9a1957f4f23b336b171450568468b1d6c886 100644 --- a/doc/fluid/api_cn/layers_cn/yolo_box_cn.rst +++ b/doc/fluid/api_cn/layers_cn/yolo_box_cn.rst @@ -6,9 +6,9 @@ yolo_box .. py:function:: paddle.fluid.layers.yolo_box(x, img_size, anchors, class_num, conf_thresh, downsample_ratio, name=None) -该运算符从YOLOv3网络的输出生成YOLO检测框。 +该运算符基于YOLOv3网络的输出结果，生成YOLO检测框。 -先前网络的输出形状为[N，C，H，W]，而H和W应相同，用来指定网格大小。对每个网格点预测给定的数目的框，这个数目记为S，由anchor的数量指定。 在第二维（通道维度）中，C应该等于S *（5 + class_num），class_num是源数据集中对象类别数目（例如coco数据集中的80），此外第二个（通道）维度中还有4个框位置坐标x，y，w，h，以及anchor box的one-hot key的置信度得分。 +连接 yolo_box 网络的输出形状应为[N，C，H，W]，其中 H 和 W 相同，用来指定网格大小。对每个网格点预测给定的数目的框，这个数目记为 S ，由 anchor 的数量指定。 在第二维（通道维度）中，C应该等于S *（5 + class_num），class_num是源数据集中对象类别数目（例如coco数据集中的80），此外第二个（通道）维度中还有4个框位置坐标x，y，w，h，以及anchor box的one-hot key的置信度得分。 假设4个位置坐标是 :math:`t_x` ，:math:`t_y` ，:math:`t_w` ， :math:`t_h` ，则框的预测算法为： @@ -31,15 +31,17 @@ yolo_box 参数： - - **x** （Variable） - YoloBox算子的输入张量是一个4-D张量，形状为[N，C，H，W]。第二维（C）存储每个anchor box位置坐标，每个anchor box的置信度分数和one hot key。通常，X应该是YOLOv3网络的输出 - - **img_size** （Variable） - YoloBox算子的图像大小张量，这是一个形状为[N，2]的二维张量。该张量保持每个输入图像的高度和宽度，用于对输出图像按输入图像比例调整输出框的大小 + - **x** （Variable） - YoloBox的输入张量是一个4-D张量，形状为[N，C，H，W]。第二维（C）存储每个anchor box位置坐标，每个anchor box的置信度分数和one hot key。通常，X应该是YOLOv3网络的输出。数据类型为float32或float64 + - **img_size** （Variable） - YoloBox的图像大小张量，这是一个形状为[N，2]的二维张量。该张量保持每个输入图像的高度和宽度，用于对输出图像按输入图像比例调整输出框的大小。数据类型为int32。 - **anchors** （list | tuple） - anchor的宽度和高度，它将逐对解析 - **class_num** （int） - 要预测的类数 - **conf_thresh** （float） - 检测框的置信度得分阈值。置信度得分低于阈值的框应该被忽略 - **downsample_ratio** （int） - 从网络输入到YoloBox操作输入的下采样率，因此应依次为第一个，第二个和第三个YoloBox运算设置该值为32,16,8 - - **name** （string） - yolo box层的名称。默认None。 + - **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。 -返回: 具有形状[N，M，4]的三维张量，框的坐标；以及具有形状[N，M，class_num]的三维张量，框的分类得分； +返回: + 1. 框的坐标，形为[N，M，4]的三维张量 + 2. 框的分类得分， 形为 [N，M，class_num]的三维张量 返回类型: 变量（Variable） diff --git a/doc/fluid/api_cn/layers_cn/yolov3_loss_cn.rst b/doc/fluid/api_cn/layers_cn/yolov3_loss_cn.rst index 4cea1be6ab99ce51044c3622701a34a3e08f5f59..6b210e83a985319f78a510a015ceb5275806f2e5 100644 --- a/doc/fluid/api_cn/layers_cn/yolov3_loss_cn.rst +++ b/doc/fluid/api_cn/layers_cn/yolov3_loss_cn.rst @@ -5,9 +5,9 @@ yolov3_loss .. py:function:: paddle.fluid.layers.yolov3_loss(x, gt_box, gt_label, anchors, anchor_mask, class_num, ignore_thresh, downsample_ratio, gt_score=None, use_label_smooth=True, name=None) -该运算通过给定的预测结果和真实框生成yolov3损失。 +该运算通过给定的预测结果和真实框计算yolov3损失。 -之前的网络的输出形状为[N，C，H，W]，而H和W应该相同，用来指定网格(grid)大小。每个网格点预测给定的数目的边界框(bounding boxes)，这个给定的数字由每个尺度中 ``anchors`` 簇的个数指定，我们将它记为S。在第二维（表示通道的维度）中，C的值应为S *（class_num + 5），class_num是源数据集的对象种类数（如coco中为80），另外，除了存储4个边界框位置坐标x，y，w，h，还包括边界框以及每个anchor框的one-hot关键字的置信度得分。 +yolov3 loss前的网络输出形状为[N，C，H，W]，H和W应该相同，用来指定网格(grid)大小。每个网格点预测S个边界框(bounding boxes)，S由每个尺度中 ``anchors`` 簇的个数指定。在第二维（表示通道的维度）中，C的值应为S *（class_num + 5），class_num是源数据集的对象种类数（如coco中为80），另外，除了存储4个边界框位置坐标x，y，w，h，还包括边界框以及每个anchor框的one-hot关键字的置信度得分。 假设有四个表征位置的坐标为 :math:`t_x, t_y, t_w, t_h` ,那么边界框的预测将会如下定义: @@ -25,13 +25,13 @@ yolov3_loss $$ 在上面的等式中， :math:`c_x, c_y` 是当前网格的左上角, :math:`p_w, p_h` 由anchors指定。 -至于置信度得分，它是anchor框和真实框之间的IoU的逻辑回归值，anchor框的得分最高为1，此时该anchor框对应着最大IoU。 +置信度得分是anchor框和真实框之间的IoU的逻辑回归值，anchor框的得分最高为1，此时该anchor框对应着最大IoU。 如果anchor框之间的IoU大于忽略阀值ignore_thresh，则该anchor框的置信度评分损失将会被忽略。 因此，yolov3损失包括三个主要部分，框位置损失，目标性损失，分类损失。L1损失用于 框坐标（w，h），同时，sigmoid交叉熵损失用于框坐标（x，y），目标性损失和分类损失。 -每个真实框在所有anchor中找到最匹配的anchor，预测各anchor框都将会产生所有三种损失的计算，但是没有匹配GT box(ground truth box真实框)的anchor的预测只会产生目标性损失。 +每个真实框将在所有anchor中找到最匹配的anchor，对该anchor的预测将会计算全部（三种）损失，但是没有匹配GT box(ground truth box真实框)的anchor的预测只会产生目标性损失。 为了权衡大框(box)和小(box)之间的框坐标损失，框坐标损失将与比例权重相乘而得。即： @@ -46,29 +46,29 @@ yolov3_loss $$ -当 ``use_label_smooth`` 设置为 ``True`` 时，在计算分类损失时将平滑分类目标，将正样本的目标平滑到1.0-1.0 / class_num，并将负样本的目标平滑到1.0 / class_num。 +当 ``use_label_smooth`` 为 ``True`` 时，在计算分类损失时将平滑分类目标，将正样本的目标平滑到1.0-1.0 / class_num，并将负样本的目标平滑到1.0 / class_num。 -如果给出了 ``GTScore`` 表示真实框的mixup得分，那么真实框所产生的所有损失将乘以其混合得分。 +``GTScore`` （如果存在）表示真实框的mixup得分，那么真实框所产生的所有损失需要乘上GTScore。 参数： - - **x** (Variable) – YOLOv3损失运算的输入张量，这是一个形状为[N，C，H，W]的四维张量。H和W应该相同，第二维（C）存储框的位置信息，以及每个anchor box的置信度得分和one-hot分类 - - **gt_box** (Variable) – 真实框，应该是[N，B，4]的形状。第三维用来承载x、y、w、h，其中 x, y是真实框的中心坐标，w, h是框的宽度和高度，且x、y、w、h将除以输入图片的尺寸，缩放到[0,1]区间内。 N是batch size，B是图像中所含有的的最多的box数目 - - **gt_label** (Variable) – 真实框的类id，应该形为[N，B]。 + - **x** (Variable) – YOLOv3损失运算的输入张量，这是一个形状为[N，C，H，W]的四维Tensor。H和W应该相同，第二维（C）存储框的位置信息，以及每个anchor box的置信度得分和one-hot分类。数据类型为float32或float64。 + - **gt_box** (Variable) – 真实框，应该是[N，B，4]的形状。第三维用来承载x、y、w、h，其中 x, y是真实框的中心坐标，w, h是框的宽度和高度，且x、y、w、h将除以输入图片的尺寸，缩放到[0,1]区间内。 N是batch size，B是图像中所含有的的最多的box数目。数据类型为float32或float64。 + - **gt_label** (Variable) – 真实框的类id，应该形为[N，B]。数据类型为int32。 - **anchors** (list|tuple) – 指定anchor框的宽度和高度，它们将逐对进行解析 - - **anchor_mask** (list|tuple) – 当前YOLOv3损失计算中使用的anchor的mask索引 - - **class_num** (int) – 要预测的类数 + - **anchor_mask** (list|tuple) – 当前YOLOv3损失计算中使用anchor的mask索引 + - **class_num** (int) – 要预测的类别数 - **ignore_thresh** (float) – 一定条件下忽略某框置信度损失的忽略阈值 - - **downsample_ratio** (int) – 从网络输入到YOLOv3 loss输入的下采样率，因此应为第一，第二和第三个YOLOv3损失运算设置32,16,8 - - **name** (string) – yolov3损失层的命名 - - **gt_score** （Variable） - 真实框的混合得分，形为[N，B]。 默认None。 + - **downsample_ratio** (int) – 网络输入到YOLOv3 loss输入的下采样率，因此第一，第二和第三个 loss 的下采样率应分别为32,16,8 + - **gt_score** （Variable） - 真实框的混合得分，形为[N，B]。 默认None。数据类型为float32或float64。 - **use_label_smooth** (bool） - 是否使用平滑标签。 默认为True + - **name** (str|None) – 具体用法请参见 :ref:`cn_api_guide_Name` ，一般无需设置，默认值为None。 -返回: 具有形状[N]的1-D张量，yolov3损失的值 +返回: yolov3损失的值，具有形状[N]的1-D张量。 -返回类型: 变量（Variable） +返回类型: 变量（Variable），数据类型与input一致。 抛出异常: - ``TypeError`` – yolov3_loss的输入x必须是Variable