1.Batch_Size(批尺寸)
該引數主要用於批梯度下降演算法(Batch Gradient Descent)中，批梯度下降演算法是每次迭代都遍歷批中的所有樣本，由批中的樣本共同決定最優的方向，Batch_Size 正是批中的樣本數量。 

若資料集比較小，可以採用全資料集(Full Batch Learning)的形式，由全資料確定的方向能更好地代表樣本總體，從而更準確地朝向極值所在的方向；但該種方式並不適用於大資料集； 
另一個極端是每次只訓練一個樣本，即Batch_Size=1，每次修正方向以各自樣本的梯度方向修正，橫衝直撞各自為政，難以達到收斂。 
在合理範圍內增大Batch_Size,可以 

2.subdivisions 
如果記憶體不夠大，將batch分割為subdivisions個子batch,每個子batch的大小為batch/subdivisions； 
darknet程式碼中，是將batch/subdivisions命名為batch；

3.衝量-momentum 
梯度下降法中一種常用的加速技術，對於一般的SGD，其表示式為

沿著負梯度方向下降，而帶momentum項的SGD則寫成

其中是momentum係數，通俗的理解上面的式子就是，如果上一次的momentum（即）與這一次的負梯度方向是相同的，那麼這次下降的幅度就會加大，因此可以起到加速收斂的作用，衝量的建議配置為0.9。

4.權值衰減-weight decay 
使用的目的是防止過擬合，當網路逐漸過擬合時網路權值往往會變大，因此，為了避免過擬合，在每次迭代過程中以某個小因子降低每個權值，也等效於給誤差函式新增一個懲罰項，常用的懲罰項是所有權重的平方乘以一個衰減常量之和。權值衰減懲罰項使得權值收斂到較小的絕對值。

5.angle、saturation、exposure、hue 
angle：圖片角度變化，單位為度，假如angle=5，就是生成新圖片的時候隨機旋轉-5~5度  
saturation & exposure: 飽和度與曝光變化大小，tiny-yolo-voc.cfg中1到1.5倍，以及1/1.5~1倍  
hue：色調變化範圍,tiny-yolo-voc.cfg中-0.1~0.1  
在每次迭代中，會基於角度、飽和度、曝光、色調產生新的訓練圖片。

6.學習率-learning rate 
學習率決定了引數移動到最優值的速度快慢，如果學習率過大，很可能會越過最優值導致函式無法收斂，甚至發散；反之，如果學習率過小，優化的效率可能過低，演算法長時間無法收斂，也易使演算法陷入區域性最優（非凸函式不能保證達到全域性最優）。合適的學習率應該是在保證收斂的前提下，能儘快收斂。 
設定較好的learning rate，需要不斷嘗試。在一開始的時候，可以將其設大一點，這樣可以使weights快一點發生改變，在迭代一定的epochs之後人工減小學習率。 
在yolo訓練中，網路訓練160epoches，初始學習率為0.001，在60和90epochs時將學習率除以10。

7.burn_in 
與學習率的動態變化有關？？？ 
if (batch_num < net.burn_in) return net.learning_rate * pow((float)batch_num / net.burn_in, net.power); 
Yolo network.c中出現的程式碼

8.最大迭代次數-max_batches 
權重更新次數

9.調整學習率的策略-policy 
調整學習率的policy，有如下policy：CONSTANT, STEP, EXP, POLY，STEPS, SIG, RANDOM

10.學習率變化時的迭代次數-steps 
根據batch_num調整學習率，若steps=100,25000,35000，則在迭代100次，25000次，35000次時學習率發生變化，該引數與policy中的steps對應；

11.學習率變化的比率-scales 
相對於當前學習率的變化比率，累計相乘，與steps中的引數個數保持一致；

12.是否做BN-batch_normalize

13.啟用函式-activation 
包括logistic，loggy，relu，elu，relie，plse，hardtan，lhtan，linear，ramp，leaky，tanh，stair

14.[route] layer 
the route layer is to bring finer grained features in from earlier in the network 
15.[reorg] layer 
the reorg layer is to make these features match the feature map size at the later layer;The end feature map is 13x13, the feature map from earlier is 26x26x512. The reorg layer maps the 26x26x512 feature map onto a 13x13x2048 feature map so that it can be concate_nated with the feature maps at 13x13 resolution.

16.anchors 
anchors：預測框的初始寬高，第一個是w，第二個是h，總數量是num*2，YOLOv2作者說anchors是使用K-MEANS獲得，其實就是計算出哪種型別的框比較多，可以增加收斂速度，如果不設定anchors，預設是0.5;

17.jitter 
通過抖動增加噪聲來抑制過擬合

18.rescore 
可理解為一個開關，非0時通過重打分來調整l.delta（預測值與真實值的差）

19.random(yolo模型訓練) 
random為1時會啟用Multi-Scale Training，隨機使用不同尺寸的圖片進行訓練,如果為0，每次訓練大小與輸入大小一致; 
是否隨機確定最後的預測框

幾個尺寸說明

（1）batch_size：批大小。在深度學習中，一般採用SGD訓練，即每次訓練在訓練集中取batch_size個樣本訓練； 
（2）iteration：1個iteration等於使用batchsize個樣本訓練一次； 
（3）epoch：1個epoch等於使用訓練集中的全部樣本訓練一次；

訓練log中各引數的意義 
Region Avg IOU：平均的IOU，代表預測的bounding box和ground truth的交集與並集之比，期望該值趨近於1。 
Class:是標註物體的概率，期望該值趨近於1. 
Obj：期望該值趨近於1. 
No Obj:期望該值越來越小但不為零. 
Avg Recall：期望該值趨近1 
avg：平均損失，期望該值趨近於0