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 …

我打算等preprocess的部分講完後，統整一次我第二篇整篇的內容。

前情提要

今天繼續講input_preprocess.py這個程式檔中的methodpreprocess_image_and_label()，preprocess主要做了將影像尺寸規範到某範圍、隨機改變影像尺寸、用平均數值填充影像、隨機剪裁影像。

上個ep有稍微提到第一個preprocess的功用，但詳細的還沒有繼續說明，像是將影像改變尺寸時，align_corners是True還是False，其實還有深入討論的空間，但一個個細講下去，我的30天怕是連第二篇都沒有辦法完結。所以打算先將各個preprocess的用途與input_preprocess.py程式整個大致go through一遍，之後在考慮回來補強細項討論。

因此，今天就會假設data已經經過resize_to_range了。

開始吧。

逛deeplab的github程式(cont.)

input_preprocess.py (cont.)

• 85-94行是resize_to_range()，回傳的processed_image與label是resize過的。
• 我還沒有弄懂tf.identity()，所以只好先跳過。

接著是random scaling。

• 首先，100-101行先用設定好的參數factor，每次都會取得隨機的resize scale。
• 接著102-103行透過隨機取得的scale，將data與label改變尺寸。
• 104行把processed過的data的shape，設定成[None, None, 3]

我現在也還是不明白為何要把影像長寬改成None。

今天先到這裡，狀況有點差，打的過程一直快要睡著。