fast-rcnn部分对于fast_rcnn_loss的实现，首先通过
minibatch_indices,minibatch_reference_boxes_mattached_gtboxes, minibatch_object_mask,
minibatch_label_one_hot = self.fast_rcnn_minibatch(self.fast_rcnn_all_level_proposals)获取mini-batch的信息，在fast_rcnn_minibatch的代码实现中，第一步需要reference_boxes_mattached_gtboxes, object_mask, label = \ self.fast_rcnn_find_positive_negative_samples(reference_boxes)找到正负样本。
进入fast_rcnn_find_positive_negative_samples函数中，首先在gtboxes_and_label中获取gt_box的数据，有M个gt_box,iou计算得到一个NM的iou矩阵，N为reference（也即上阶段rpn proposals）的数目。
matches为每一行iou最大值的索引，即该proposal与gtboxes中iou最大的那个gtbox的编号;【N， 】
max_iou_each_row为对应的那个iou的值；【N，】
positives为max_iou_each_row中iou达到阈值的那些；达到为1，反之为0；【N，】
reference_boxes_mattached_gtboxes为每个proposal（reference）对应的（iou最大）的gtbox，包括positive和其他的；【N，】
object_mask与positive类似，数值类型为tfl.float32;
label为所有proposal在标签中获取的标记类别，通过match，也即选与之iou最大那个框的类别；最后乘以positives，表示标签中过滤掉iou小于阈值的gtbox类别。【N，】
------------------------------------------
执行完正负标签的获取后回到fast_rcnn_minibatch中： positive_indices为proposals中positive样本的索引（第**号proposal为正例）；
num_of_positives为正例推荐框（参考框）的数量；
positive_proposals当然就是rpn proposals中通过positives筛选的正例推荐框；positive_rois同理；
negative_indices为object_mask中为0的部分；也即reference（rpn proposals）中除了满足阈值的positive外，其他框为negatives；
minibatch_indices包括positive和negative的indices;
…
回到fast rcnn的loss主函数中 minibatch_reference_boxes为从proposal中按照打算的minibatch_indices重新获取proposals；
minibatch_encode_boxes为从fast rcnn网络输出结果中按照minibatch_indices获取的网络计算结果；【minibatch_size, num_classes4】,minibatch_scores同理；
minibatch_encode_gtboxes为对minibatch_reference_boxes_mattached_gtboxes进行编码，转化为其与reference之间的相对差值；
fast rcnn的分类损失为网络计算的minibatch_scores与proposal–gtbox对比的labels之间的差异；
fast rcnn的回归损失为网络计算的minibatch_encode_boxes与proposal–gtbox对比的gtbox的差异。
fast rcnn location loss 在训练之初为0，是因为没有正例样本。