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. 訓練流程的細節
5. 逛deeplab的github程式，順序：train.py model.py datasets/data_generator.py …

前情提要

上次介紹了train.py的參數部分，今天就接著繼續介紹吧。
　

逛deeplab的github程式

train.py(cont.)

462行可以看到，這支程式的必要參數只有train_logdir跟dataset_dir，其他的參數不是有預設值就是不一定需要。

然後執行tf.app的run() method的話，預設就會去執行檔案裡的main()。

main()的功能順去就是：
274行：設定log file 要記錄哪個層級的資訊(INFO級)
275-287行：在處理使用多個GPU的時候，要copy幾份資料、分派幾份工作，然後把一個batch的資料平均分散給多個GPU。

292行：開一張新的tensorflow graph作為放置接下來有關tensor的東西，像是dataset的運算操作、神經網路的各層、update神經網路的運算操作等。

293行：處理多GPU的部分。

294-310行：data_generator是在datasets資料夾裡的程式，就是負責處理data成為model訓練時可用的形式的程式。

312-314行：313也是處理多GPU的部分。global_step是紀錄神經網路的參數更新的次數，tf.train有提供method來取得global_step。

接下來316-320行是準備關於模型的部分；tf.slim和tf.estimater在建立模型時，都會希望將處理model的程式是獨立的寫在一個function中，作為model_fn。然後model的argument是一個tuple，共有3項，第一個是建立好的dataset的iterator，第二個dictionary，放了model output的型態應該是什麼、還有dataset裡的類別有多少個，第三個是dataset中作為background的label 是多少。

321行的部分是在處理把模型資訊複製，分送給不同的GPU的工作。

train.py的221行就是model_fn的程式。

今天先停在這，心情持續低落了幾天，都沒做什麼事T_T。