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

＊train.py

前個episode把data_generaotr.py裡頭的classDataset的初始化部分講完，在train.py裡生成一個名為dataset的物件後，緊接著就呼叫了他的methodget_one_shot_iterator。

今天就要接著從這個method開始講起，開始吧。

逛deeplab的github程式(cont.)

datasets/data_generator.py (cont.)

字如其人，碼如其名(?)
這個method的用途就是取得tf.data的Iterator格式的資料，從呼叫這個程式開始，就會開始對tfrecord進行解析與處理。

323行呼叫了class內部的method，用途是根據347行的file pattern，將資料夾名稱與split結合，以取得tfrecord檔的路徑。

• 326行把tfrecord檔案路徑放入，num_parallel_reads是要一次從num_readers個tfrecord裡平行取出1個data來，所以有用這個argument，data會是interleave的方式取出；反之如果沒有設定的話，tfrecord檔會依次打開讀取。
• 推測一旦設定了num_parallel_reads的話，接下來的運算都需要用同樣的parallel數量。
• 327行是把tfrecord從byte解析回來。
• 328行是把解析好的data進行前處理。

325-328行還可以分開寫成：

這個parse function，接的是tf.data.TFRecordDataset的物件，這個物件會按照一個個tf.example進行解析。

所以他接的參數叫example_xxx。

要解析example，就要跟當初定義的key name一樣，然後value的部分放tf.feature()，並根據之前定義的方式，將變數的型態說明清楚。

接著將單個example，搭配他的檔案格式，用tf的運算，得到解析完成的feature。

238-243行，是分別將data與label的資料decode成為影像，還記得一般data會使用.jpg，label通常會用.png，為了一致性，238、242行皆使用一樣的function進行解析。並且因為不是每種split都需要label，像是test這個split就不需要label的存在，因此241行有額外做一個判斷式。

而jpg與png使用相同的function進行解析，就是用了包裝起來的程式去選擇要用的function。

tf.cond()是個方便的method，第一個參數是判別式，第二個參數是判別式為True要執行的；第三個參數則是判別式為False時要執行的。

感覺跟三元判斷子很像。

接著245行取得data的名稱，並且處理的時候讓image_name為None的tfrecord也還是可以通過。
要注意的是，在tensorflow裡面，常數的宣告是需要使用tf.constant()的。

今天先到這。