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

ep.13開始解釋datasets/data_generator.py這份程式，這份程式的主要功能是利用寫好的一個叫做Dataset的class，解析之前用build_DATASET_data.py產生的tfrecord，並把解析完成的資料，存在tf.data.TFRecordDataset格式的變數裡，傳回去train.py供訓練使用。

解析的步驟主要有兩個。

• 第一個是利用當初儲存tfrecord時所設定的資料格式，將一個個data與label從string byte形式解析和解碼回來。
• 第二個則是把已經解析完成的data與label，進行所需要的前處理，例如調整長寬、改變input size、隨機放大縮小等，通常會是一些data augmentation的程式所在的位置。

今天要開始講的就是這份程式是怎麼去達成上面兩個步驟。

開始吧。

逛deeplab的github程式(cont.)

datasets/data_generator.py (cont.)

總而言之，使用這個method會得到一個字串，意義不明:D。

在train.py的程式裡，有呼叫116行的Dataset，然後這個class的初始值在119-135行。上圖是原始碼，下圖是我把當時train.py在呼叫時，對應使用的argument與預設值，寫在一起的對照圖，#後方是argument，=後面則是參數的預設值。

其中有4個參數在我去找的時候，發現在data_generator.py沒有宣告到這些參數，但tensorflow團隊不是我，不可能犯這種低級錯誤，於是我去common.py裡找，還真的找到這幾個參數。

原來tf.app.flags的參數是可以分開檔案寫的。

　

接著是Dataset這個class的參數說明，我先放在這邊，等底下程式用到參數後再一一解釋。

• 163-164行在確認使用的資料集有沒有在目前支援的3個資料集內，沒有的話，直接報錯結束程式。
• 165行，過了偵錯部分，將argument賦值給object的同名attribute。
• 167行，根據dataset_name把對應dataset的split與對應size的資料，存入splits_to_sizes這個變數。
• 169-170行，確定此次呼叫的split有製作。
• 172-175行，確認有無使用backbone，173行這裡只有寫warning，代表程式本身是能夠不使用backbone的就能執行的。

一般來說，的確是要讓程式可以選擇要不要用backbone才比較合理吧。

＊train.py

接著就是把剩餘的attribute都設定設定，這樣train.py那裡，一個是Dataset這個class產生的object的dataset，就產生完畢。

　
＊train.py

接著，train.py就呼叫了class的methodget_one_shot_iterator()。

後續明天講。