DarkNet data.c의 복원 경로 sampling, image, label 동시 증강, loader 분기와 thread 병합을 shape, 재현성, 메모리 소유권 기준으로 설명합니다.

DarkNet Crop Layer의 batch 공유 random crop, flip, 중앙 crop, 값 범위 변환과 빈 backward가 학습, 추론에 미치는 영향을 설명합니다.

DarkNet CRNN의 input, self, output convolution, state pointer와 BPTT를 따라 shortcut, batch/steps, 추론 state 실패 조건을 설명합니다.

DarkNet Cost Layer의 실제 L2, L1, Smooth L1 분기, MASKED 입력 변경, 합계 reduction과 delta 누적을 설정, 수치 검증 기준으로 설명합니다.

DarkNet Convolutional Layer의 출력 크기, group별 im2col, GEMM, weight, input gradient와 원문 backward 인자 검증 기준을 설명합니다.

DarkNet Connected Layer의 GEMM 차원, bias, BatchNorm, activation 순서, weight/input gradient와 momentum buffer 검증법을 설명합니다.

DarkNet Compare의 이미지 쌍 학습, 누적 검증, qsort와 Elo 순위 경로를 데이터 계약, 비교 일관성, 버퍼 안전성 기준으로 설명합니다.

Darknet col2im의 겹친 kernel gradient 누적, flattened channel offset, padding, stride 좌표와 im2col round-trip 검증 조건을 설명합니다.

Darknet box.c의 objectness, class별 NMS, IoU 경계, stride 좌표, encode/decode 역쌍과 비활성 DIoU 미분 코드 검증법을 설명합니다.

Darknet blas.c를 배열 primitive, 통계, loss, softmax, tensor 변환으로 나누고 stride, 부호, alias와 누적 semantics 검증법을 설명합니다.