该函数根据匹配的结果，对一批提议进行采样，并设置它们的分类标签。函数接收三个参数：matched_idxs表示N个提议中每个最佳匹配的gt索引；matched_labels表示每个提议的标签（包括IOU_LABELS中定义的值）；gt_classes表示M个Groundtruth实例的类别。
首先判断是否有Groundtruth实例存在，如果存在，则根据matched_idxs得到与每个提议最佳匹配的GT实例，并将其类别保存在gt_classes变量中。对于那些未被匹配上（matched_labels为0）或者被忽略（matched_labels为-1）的提议，将它们的类别设置为背景类别(self.num_classes)或者忽略(-1)，然后这些提议也会参与后续处理。
如果没有Groundtruth实例，则默认将所有提议都视为背景类别。接下来使用subsample_labels方法从所有样本中随机选出一部分正负样本用于训练模型。其中，self.batch_size_per_image代表单张图片上总共要选择多少个样本；self.positive_sample_fraction表示选择多少比例的正样本，剩余部分是负样本；self.num_classes代表类别数目。
最后，将选出来的正负样本合并成一个向量，并返回给调用者作为采样结果。同时还返回一个向量，记录了每个被采样实例的分类标签。
![/data # iw --debug dev wlan0 connect -w "lucky-5g" auth open key 0:1234567890
Usage: iw [options] dev connect [-w] [] [] [auth open|shared] [key 0:abcde d:1:6162636465] [mfp:req/opt/no]
Join the network with ...](https://linuxcpp.0voice.com/zb_users/upload/2023/05/202305162239148267954.png)
![驱动代码
void kalRxTaskletSchedule(struct GLUE_INFO *pr)
{
static unsigned int num = 0;
tasklet_hi_schedule(&pr->rRxTask[(num++)%NR_CPUS]);
// tasklet_hi_schedule(&pr->rRxTask);
DBGLOG(HAL, ERROR,](https://linuxcpp.0voice.com/zb_users/upload/2023/05/202305162226144313964.png)
