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

本來預期ep.6可以把train.py講完的，但還留了幾項沒有帶到，ep.7真的會結束了！
接著會講到tf.ConfigProto()、ProfileContext()、以及slim.learning.train()，也就是程式的尾巴部分。

讓我們開始吧。

逛deeplab的github程式(cont.)

train.py (cont.)

427行的configProto()是一個只有attribute的class。他可以控制的所有參數，都可以在官網的API doc找到。順帶提一下如何看官網的doc：

現在點進去document都會跳到2.xx的API，但其實我現在還在用1.13的版本。而因為1.0跟2.0的tensorflow差得蠻大的，2.0的tensorflow是捨棄掉configProto的，所以有留個支援包可用。

如果想直接看1.x的API，可以點左上角的去看目前還留在doc上的1.15。

不過轉過去後，就要從頭找起，左邊的列表是用字母表排列的，但tf.c開頭的沒有叫做configProto的，這時就要再往上找，到tf那裡找，一樣順著字母表下來就看到ConfigProto。

接著看到他的說明頁面寫著：A ProtocolMessage，意味不明，下面有許多Attributes，同樣意義不明。

這時可以直接去點view source on Github，就可以看到原始碼就是一堆message大括號。

切換branch可以套用在所有要查的method上。那如果你看著別人用1.14版的示範操作，但本身是用1.13版，結果在某處報錯，那麼你就得用github的branch切換，去找對應版本的原始碼是怎麼撰寫的。

回來講程式。

435行的ProfileContext()是用來細部探討模型性能的東西，簡單來說，你想知道tensorflow Graph中每段計算的時間，就可以用它；或是想知道模型細部的參數分佈，也可以用它。

最後446行slim.learning.train()。

如果看不懂網路上的教學，想直接去看原始碼的朋友，可以先透過slim找到slim是使用放在tf.contrib的slim。

那找法就是去上面點tensorflow

然後再點進tensorflow repository，再點進tensorflow資料夾，contrib資料夾只在1.xx的branch找得到，所以照上面說的方法切換branch。

再點進contrib資料夾，找到slim資料夾，進python/slim資料夾，接著找到learning.py找到train()，除了副程式下方有說明之外，上方亦有tf-slim的相關介紹。

耶，帶完train.py了，明天可以講新檔案了。