從今天開始，閱讀faster rcnn的相關程式碼，並記錄我對faster rcnn中特別的層的理解。本篇主要是對RoiPooling進行解讀。

RBG大神認為CPU版本的太慢了，故有些操作CPU版壓根就沒有實現。RoI Pooling就是實現從原圖區域對映到conv5區域最後pooling到固定大小的功能。

輸入，b0 為卷積的feature map，b1 為rois。

LayerSetUp

將引數賦值。

Reshape

將top reshape成num_b1(num of rois) c_b0 pooled_height pooled_width，將max_idx_ reshape與top一樣。

Forward

首先計算rois對映到feature map的座標，即原始座標*spacial_scale(大小為所有stride的乘積分之一)，然後針對每個輸出來進行計算，即每個輸出點都代表原先的一塊區域，這個區域大小為bin_h= roi_height / pooled_ height, bin_w=roi_width / pooled_width.遍歷所有top的點所映射回feature map的區域，並找到最大值，記錄最大值所在的位置。

backward

backward直接寫成gpu的形式，不過開頭可以看出是遍歷feature map並記錄n, c, h, w，為之後記錄bottom_diff做準備，然後計算每個roi對映到feature map的座標，接下來我就認為有個小問題了，作者的意思是表達如果h，w如果不在roi區域內的話，可以直接continue了，這點不難理解，某個點在roi中可能對這個roi所對應的top產生貢獻（在某個bin中為最大），如果點不在那個區域中，一定不會對top產生貢獻。而某一點可能對多個區域產生貢獻，故loss返回來時，同一點的loss累加。