import numpy as np
import math
def ssd_anchor_one_layer(img_shape,feat_shape,sizes,ratios,step,offset=0.5,dtype=np.float32):
    """Computer SSD default anchor boxes for one feature layer.

    Determine the relative position grid of the centers, and the relative
    width and height.

    Arguments:
      feat_shape: Feature shape, used for computing relative position grids;
      size: Absolute reference sizes;
      ratios: Ratios to use on these features;
      img_shape: Image shape, used for computing height, width relatively to the
        former;
      offset: Grid offset.

    Return:
      y, x, h, w: Relative x and y grids, and height and width.
    """
    # Compute the position grid: simple way.
    # y, x = np.mgrid[0:feat_shape[0], 0:feat_shape[1]]
    # y = (y.astype(dtype) + offset) / feat_shape[0]
    # x = (x.astype(dtype) + offset) / feat_shape[1]
    # Weird SSD-Caffe computation using steps values...
    #对于第一个特征图（block4：38x38）；y=[[0,0,……0],[1,1,……1]，……[37,37,……，37]]；
    # 而x=[[0,1,2……，37]，[0,1,2……，37],……[0,1,2……，37]]
    y, x = np.mgrid[0:feat_shape[0], 0:feat_shape[1]]
    # 可以得到在原图上，相对原图比例大小的每个锚点中心坐标x,y
    # 将38个cell对应锚点框的x,y坐标偏移至每个cell中心，然后乘以相对原图缩放的比例，再除以原图
    y = (y.astype(dtype) + offset) * step / img_shape[0]
    x = (x.astype(dtype) + offset) * step / img_shape[1]
    # Expand dims to support easy broadcasting.
    # 对于第一个特征图，y的shape=38x38x1；x的shape=38x38x1
    y = np.expand_dims(y, axis=-1)
    x = np.expand_dims(x, axis=-1)

    # Compute relative height and width.
    # Tries to follow the original implementation of SSD for the order.
    # 该特征图上每个点对应的锚点框数量;如：对于第一个特征图每个点预测4个锚点框（block4：38x38），
    #num_anchors :2+2=4
    num_anchors = len(sizes) + len(ratios)
    # 对于第一个特征图，h的shape=4x；w的shape=4x
    h = np.zeros((num_anchors, ), dtype=dtype)
    w = np.zeros((num_anchors, ), dtype=dtype)
    # Add first anchor boxes with ratio=1.
    # 第一个锚点框的高h[0]=起始锚点的高/原图大小的高；例如：h[0]=21/300
    h[0] = sizes[0] / img_shape[0]
    # 第一个锚点框的宽w[0]=起始锚点的宽/原图大小的宽；例如：w[0]=21/300
    w[0] = sizes[0] / img_shape[1]
    di = 1 #锚点宽个数偏移
    if len(sizes) > 1:
        # 第二个锚点框的高h[1]=sqrt（起始锚点的高*起始锚点的宽）/原图大小的高；例如：h[1]=sqrt(21*45)/300
        h[1] = math.sqrt(sizes[0] * sizes[1]) / img_shape[0]
        # 第二个锚点框的高w[1]=sqrt（起始锚点的高*起始锚点的宽）/原图大小的宽；例如：w[1]=sqrt(21*45)/300
        w[1] = math.sqrt(sizes[0] * sizes[1]) / img_shape[1]
        di += 1
    for i, r in enumerate(ratios):
        # 遍历长宽比例，第一个特征图，r只有两个，2和0.5；共四个锚点宽size（h[0]~h[3]）
        # 例如：对于第一个特征图，h[0+2]=h[2]=21/300/sqrt(2);w[0+2]=w[2]=45/300*sqrt(2)
        # 例如：对于第一个特征图，h[1+2]=h[3]=21/300/sqrt(0.5);w[1+2]=w[3]=45/300*sqrt(0.5)
        # 返回没有归一化前的锚点坐标和尺寸
        h[i+di] = sizes[0] / img_shape[0] / math.sqrt(r)
        w[i+di] = sizes[0] / img_shape[1] * math.sqrt(r)
    return y, x, h, w
y, x, h, w = ssd_anchor_one_layer((300,300),(38,38),(21., 45.),[2, .5],8)
print(h)
print(w)

　　[0.07       0.10246951  0.04949747  0.09899495]
　　[0.07       0.10246951  0.09899495  0.04949747]

其中第一个38*38的特征图，每个点产生4个anchor,分别为0.07和0.102的正方形两个，宽高分别为0.049、0.098的长方形两个。