声明：本文引用吴恩达教授的DeepLearning课程内容。

        图像分类：图片分类问题并不陌生，例如，输入一张图片到多层卷积神经网络。这就是卷积神经网络，它会输出一个特征向量，并反馈给 softmax 单元来预测图片类型。

        目标定位：如果你还想定位图片中汽车的位置，该怎么做呢？我们可以让神经网络多输出几个单元，输出一个边界框。具体说就是让神经网络再多输出 4 个数字，标记为𝑏𝑥,𝑏𝑦,𝑏ℎ和𝑏𝑤，这四个数字是被检测对象的边界框的参数化表示。

        这有四个分类，神经网络输出的是这四个数字和一个分类标签，或分类标签出现的概率。目标标签𝑦的定义如下：

𝑦 =[𝑝𝑐, 𝑏𝑥, 𝑏𝑦, 𝑏ℎ, 𝑏𝑤, 𝑐1, 𝑐2, 𝑐3]

        它是一个向量，第一个组件𝑝𝑐表示是否含有对象，如果对象属于前三类（行人、汽车、摩托车），则𝑝𝑐 = 1，如果是背景，则图片中没有要检测的对象，则𝑝𝑐 = 0。我们可以这样理解𝑝𝑐，它表示被检测对象属于某一分类的概率，背景分类除外。

        如果检测到对象，就输出被检测对象的边界框参数𝑏𝑥、𝑏𝑦、𝑏ℎ和𝑏𝑤。最后，如果存在某个对象，那么𝑝𝑐 = 1，同时输出𝑐1、𝑐2和𝑐3，表示该对象属于 1-3 类中的哪一类，是行人，汽车还是摩托车。

        PS：这里，假设图片最多只会出现其中一个对象。

真值标签：

        假设，三个类别：行人、车辆、摩托车，左图中有一辆车，则真值标签为：

        [1,𝑏𝑥, 𝑏𝑦, 𝑏ℎ, 𝑏𝑤,0,1,0]。𝑝𝑐 = 1，𝑏𝑥、𝑏𝑦、𝑏ℎ和𝑏𝑤会指明边界框的位置，汽车，所以𝑐1 = 0，𝑐2 = 1，𝑐3 = 0，𝑐1、𝑐2和𝑐3中最多只有一个等于 1。

        若为无检测对象，则[0,?, ?,?,?,?,?,?]， 𝑝𝑐 = 0.成问号，表示“毫无意义”的参数。

        最后，我们介绍一下神经网络的损失函数，其参数为类别𝑦和网络输出𝑦^，如果采用平方误差策略，则：

        损失值等于每个元素相应差值的平方和。