文章說明

文章分段

1. 文章說明
2. deeplab的簡單介紹、於我的意義
3. tensorflow的程式碼特色
4. 再次說明訓練流程，model部分分成backbone(extractor)與model
5. 逛deeplab的github程式，順序：train.py model.py datasets/data_generator.py …

上一章說到我之前對deeplab的理解，還有我對他的印象，我後來又再去看了Github的頁面，他有新的Auto-Deeplab的backbone(feature extractor)出現，詳情我還沒有看，但照他的敘述的是，這個backbone是用neural architecture search的方式找來的，是專門為segmentation task尋找到的架構，看來要找時間去研究了！

tensorflow的程式碼特色

在講訓練流程之前，想先講說其實tensorflow底下研究的project的程式對於初學者來說，真的很難看懂，為了看懂他們的程式，我使用了最笨的辦法，開一個空的資料夾，從無到有照著打出程式，並且邊打邊執行看看。用這樣的方式，我終於搞懂他們到底在寫什麼，至於他們在寫什麼，我現在就來稍微說說。

tensorflow面對大眾開放的程式碼，基於此框架本身的優勢：性能(可以轉為C++程式)、移動性...，他們會寫一堆無關他們論文提出的中心思想架構的程式碼，為的就是要讓程式碼具有彈性以及可使用性，所以呢，與其使用tensorflow/deeplab整包的程式碼進行訓練，然後不知其所以然，想要具體了解他怎麼做的情況下，只要照個從無到有的方式，一個個去試驗、查詢method的用處，自然而然的就會理解程式碼大概的邏輯。

另外，除了許多為了性能所撰寫的程式，tensorflow他們團隊自己在寫程式，搭建模型的時候，用的API是tf.slim，是一個目前沒有官方教學的模塊，變成說必須要自己搞懂tf.slim的運作模式，才能看懂他們是如何搭建模型的，尤其是backbone的部分，絕對是用tf.slim的方式搭建而成的。

所以要看懂tensorflow的程式碼，1要懂得把掌管性能，像是使用多個Gpu的程式碼去掉，2要懂得tf.slim那個scope到底是在說什麼。

2的部分，其實只要有寫c++，然後對於雙冒號::什麼時候需要加，什麼時候不需要加有概念，其實再回頭來看tensorflow的scope，就會輕鬆很多。

我們在搭建神經網路的時候，會有好多個神經層，每個都應該要有專屬的名字才能正確運作，就算像keras這類API不需要填寫名字就能跑的API，在用summary()的時候，一定也會看到各個層數自動用數字編號命名，像這種沒有經過自行定義名稱編排的網路，在jupyter這類的編輯器裡面，重複run模型，就會發現名稱的數字一直不停的增長上去，那是因為在同個未關閉的session內，每個神經層都一定要有自己的名稱的關係。

舉個例子，現在要為1千萬人命名，名字不可重複，且要能根據某些規則找到特定的人

像以上的例子，就是需要有方便的命名方式，為這些人命名才能讓我們在操作網路時，能夠更快速又方便。