区分（GIOU、DIOU、CIOU）（正则化、归一化、标准化）
一、IOU
IoU 的全称为交并比（Intersection over Union）。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。
1.GIOU：预测框（蓝框）和真实框（绿框）的最小外接矩形C。来获取预测框、真实框在闭包区域中的比重。这样子，GIOU不仅可以关注重叠区域，还可以关注其他非重合区域，能比较好的反映两个框在闭包区域中的相交情况。
2.DIoU：计算的不是框之间的交并，而是计算的每个检测框之间的欧氏距离。DIoU考虑了重叠面积和中心点距离，当目标框包裹预测框的时候，直接度量2个框的距离，因此DIoU收敛的更快，但并没有考虑到长宽比。如下图d。
3.CIoU就是在DIoU的基础上增加了检测框尺度的loss，增加了长和宽的loss，使得目标框回归更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。如上图c和d。
二、规范化
1.正则化：正则化是为了防止过拟合。如图绿线。
0范数，向量中非零元素的个数。
1范数，为绝对值之和。
2范数，就是通常意义上的模。
这三幅图很容易理解：
1、 图x1明显分类的有点欠缺，有很多的“男人”被分类成了“女人”。
2、 图x2虽然有两个点分类错误，但是能够理解，毕竟现实世界有噪音干扰，比如有些人男人留长发、化妆、人妖等等。
3、 图x3分类全部是正确的，但是看着这副图片，明显觉得过了，连人妖都区分的出来，可想而知，学习的时候需要更多的参数项，甚至将生殖器官的形状、喉结的大小、有没有胡须特征等都作为特征取用了，总而言之f(x)多项式的N特别的大，因为需要提供的特征多，或者提供的测试用例中我们使用到的特征非常多(一般而言，机器学习的过程中，很多特征是可以被丢弃掉的)。
2.归一化：将一列数据变化到某个固定区间([0,1])中。
3.标准化：批标准化只会选取一小批数据先缩放与平移然后训练参数， 而标准化则会选取所有的数据进行计算。
标准化之后：