multi_box_head

基于SSD（Single Shot MultiBox Detector）算法，在不同层输入特征上提取先验框、计算回归的坐标位置和分类的置信度，并合并到一起作为输出，具体参数解释和输出格式参考下面说明。更详细信息，请参阅SSD论文的2.2节。

参数：

inputs (list(Variable) | tuple(Variable)) - 输入特征的列表，仅支持格式为NCHW的4-D Tensor。
image (Variable) - 一般是网络输入的图像数据，仅支持NCHW格式。
base_size (int) - 输入图片的大小，当输入个数len(inputs) > 2，并且 min_size 和 max_size 为None时，通过 baze_size, min_ratio 和 max_ratio 来计算出 min_size 和 max_size 。计算公式如下:
num_classes (int) - 类别数。
aspect_ratios (list(float) | tuple(float) | list(list(float)) | tuple(tuple(float)) - 候选框的宽高比， aspect_ratios 和的个数必须相等。如果每个特征层提取先验框的 aspect_ratio 多余一个，写成嵌套的list，例如[[2., 3.]]。
min_ratio (int）- 先验框的长度和 base_size 的最小比率，注意，这里是百分比，假如比率为0.2，这里应该给20.0。默认值: None。
max_ratio (int）- 先验框的长度和 base_size 的最大比率，注意事项同 min_ratio 。默认值: None。
max_sizes (list | tuple | None）- 每层提取的先验框的最大长度，如果len(inputs）<= 2，则必须设置 max_sizes ，并且 min_sizes 的长度应等于len(inputs)。默认值：None。
steps (list(float) | tuple(float)) - 相邻先验框的中心点步长，如果在水平和垂直方向上步长相同，则设置steps即可，否则分别通过step_w和step_h设置不同方向的步长。如果 , ste_w 和 step_h 均为None，步长为输入图片的大小 base_size 和特征图大小的比例。默认值：None。
step_w (list(float）| tuple(float)) - 水平方向上先验框中心点步长。默认值：None。
step_h (list | tuple) - 垂直方向上先验框中心点步长。默认值：None。
offset (float) - 左上角先验框中心在水平和垂直方向上的偏移。默认值：0.5
variance (list | tuple) - 先验框的方差。默认值：[0.1,0.1,0.2,0.2]。
flip (bool) - 是否翻转宽高比。默认值：False。
kernel_size (int) - 计算回归位置和分类置信度的卷积核的大小。默认值：1。
stride (int | list | tuple) - 计算回归位置和分类置信度的卷积核的步长。默认值：1。
name (str) - 具体用法请参见 Name ，一般无需设置，默认值为None。
min_max_aspect_ratios_order (bool) - 如果设置为True，则输出先验框的顺序为[min，max，aspect_ratios]，这与Caffe一致。请注意，此顺序会影响卷积层后面的权重顺序，但不会影响最终检测结果。默认值：False。

mbox_loc(Variable) - 预测框的回归位置。格式为[N，num_priors，4]，其中 N 是batch size， num_priors 是总共提取的先验框的个数。
mbox_conf(Variable） - 预测框的分类信度。格式为[N，num_priors，C]，其中 num_priors 同上，C是类别数。
variances(Variable) - 提取的先验框方差。布局是[num_priors，4]， num_priors 同上。

返回类型：list(Variable) | tuple(Variable）

代码示例2: 设置min_sizes和max_sizes