和一楼的问题一样，不应该是补六行吗

请问一下，老师说的每个像素点的值其实是有三个值（RGB）么？某个输入节点代表的是某一个像素点的某一个通道的值么？还请告知，多谢！

感受野可大可小，最大的情况是整张图片的所有像素点。那么第一层卷积层感受野最小的情况就是感知一个像素点么？也就是三个维度（三个节点么）

从12层到7层，是需要7个卷积核吗？并且这7个卷积核，每一个有12个小矩形框，对输入的12层分别进行计算？

老师，文中提到的这些概率值，svn分类，会给每个样本的分类，给出一个概率值吗？

老师，我的想法是一次step是一条样本加入到模型里面，再用Droppout，不知道这么想是不是对的。还有一点我没有想明白，一个神经网络，在进行训练的时候，只进行一次正向传播，然后再进行梯度的更新，w参数调整我没有想明白

随机梯度下降不是采用一个样本么，怎么是batch?怎么不是BGD?

老师，问一下，这里的36，他是包含正例和负例的吗？

老师，这里的proposal是判为正例的，根据anchor box来新生成的 框吗？还是就是 anchor box?

老师，如果有的正例在topN里面没有被检测出来呢，精度该怎么算？

老师，这里的img_info他是将生成的框映射回原图吗？这个框是根据分类的概率和回归的偏移量求出的吗?ROI前做NMS是对原图做还是对特征图做呢？

这里的不是我们前面 40*60*9个 anchoe box里面去进行分类的正例和负例吗？其次就是负例前面说的不是IOU <0.3就是负例吗？

一般怎样初始化卷积核比较好，怎样赋给初始值？

是不是可以理解为：无论是黑白照片还是彩色照片，输入结点都是每个像素点，只不过区别是黑白照片每个输入结点是一层的，而彩色照片的每个输入结点是多层的。还请告知，多谢

空间金字塔池化的时候，是对featrue maps(256通道)，每一个通道进行空间金字塔池化，再将这256个通道池化后的结果进行串联吧？