由于最近在看YOLOv3算法，感觉老是不清楚bounding box和anchor box的概念，看完吴恩达的视频后准备写一篇博客记下笔记。em...所以也会用吴恩达视频中的例子来讲。

     在视频中，有一张图片，假设要检测的目标类别有3类，行人、轿车、摩托车。我们将图片划分为3*3的网格(grid cells)，并且设置有两个anchor boxes(即，图中那两个紫色边框)。这样每次检测一个grid cell，就会输出一个向量y = [Pc, bx, by, bh, bw, c1, c2, c3, Pc, bx, by, bh, bw, c1, c2, c2]。对这个y可以这么看，由于anchor box有两个，所以y中元素数量是2 * 8。其中前一部分的(Pc,bx,by,bh,bw,c1,c2,c3)，Pc表示anchor box1是否在grid cell中检测到目标(若无，则Pc=0，后面的就不用填了)，(bx,by,bh,bw)则是目标的bounding box的位置参数，(c1,c2,c3)是目标是哪类。

    注1：bounding box是怎么来的呢？其实是在检测每个grid cell时，若检测到目标，则会将其标出来(图中的红色框)。这就是bounding box。

    注2：设置多个anchor boxes干嘛呢？ 是这样的，当有目标时，还要计算bounding box分别与各个anchor boxes的IOU(交并比函数)，并选择IOU最大的那个anchor box。这样的话，bounding box的位置参数就保存在那个anchor box对应的(Pc,bx,by,bh,bw,c1,c2,c3)中啦。

    最后，由于grid cells是3*3的，所以最后输出的Y的shape为(3, 3, 2, 8)，这些数字的意义对应为(numbers of grid cells, numbers of grid cells, numbers of anchor boxes, numbers of classes + 5)。