重读fast-rcnn
1.为什么要将每个建议框对应的特征框池化到H×W 的size？如何实现？
Fast R-CNN可输入任意size图片，并在全连接操作前加入RoI池化层，将建议框对应特征图中的特征框池化到H×W 的size，以便满足后续操作对size的要求；
ROI的实现：
首先假设建议框对应特征图中的特征框大小为h×w，将其划分H×W个子窗口，每个子窗口大小为h/H×w/W，然后对每个子窗口采用max pooling下采样操作，每个子窗口只取一个最大值，则特征框最终池化为H×W的size【特征框各深度同理】，这将各个大小不一的特征框转化为大小统一的数据输入下一层。
2.L1,L2正则化
见相关文章：Z学长论fast-rcnn对L1,L2的损失的选择~~
3.RoI池化层如何进行反向求导训练？
引用自https://www.cnblogs.com/xuanyuyt/p/6207198.html
首先看普通max pooling层如何求导，设xi为输入层节点，yi为输出层节点，那么损失函数L对输入层节点xi的梯度为：
其中判决函数δ(i,j)表示输入i节点是否被输出j节点选为最大值输出。不被选中【δ(i,j)=false】有两种可能：xi不在yi范围内，或者xi不是最大值。若选中【δ(i,j)=true】则由链式规则可知损失函数L相对xi的梯度等于损失函数L相对yi的梯度×（yi对xi的梯度->恒等于1），故可得上述所示公式；
对于RoI max pooling层，设xi为输入层的节点，yri为第r个候选区域的第j个输出节点，一个输入节点可能和多个输出节点相关连，如下图所示，输入节点7和两个候选区域输出节点相关连；
该输入节点7的反向传播如下图所示。对于不同候选区域，节点7都存在梯度，所以反向传播中损失函数L对输入层节点xi的梯度为损失函数L对各个有可能的候选区域r【xi被候选区域r的第j个输出节点选为最大值】输出yri梯度的累加，具体如下公式所示：
∂L∂xi=∑r∑j[i=i∗(r,j)]∂L∂yrj
[i=i∗(r,j)]={1,0,i=i∗(r,j)≥1otherwise
判决函数[i=i∗(r,j)]表示i节点是否被候选区域r的第j个输出节点选为最大值输出，若是，则由链式规则可知损失函数L相对xi的梯度等于损失函数L相对yrj的梯度×（yrj对xi的梯度->恒等于1)，上图已然解释该输入节点可能会和不同的yrj有关系，故损失函数L相对xi的梯度为求和形式。
