ICT_TASK_1

1,安装python3.5.2

https://www.python.org/downloads/
貌似是因为tensorflow只兼容windows python3.5.x版本

2，更新pip

python -m pip install --upgrade pip

3,安装tensorflowCPU版本

pip3 install --upgrade tensorflow

4，安装各种有关于Faster-RCNN的python包

pip install pandas
pip install matplotlib
pip install keras - 2.0.3
pip install numpy
pip install opencv-python
pip install sklearn
pip install h5py
等等

5，pycharm安装Git

6，有关tensorflow

使用图（graph）来表示计算任务，在被称之为会话（session）的上下文（context）中执行图，使用tensor表示数据，通过变量（variable）维护状态，使用feed和fetch可以为任意的操作（arbitrary operation）赋值或者从其中获取数据。
tensorflow是一个编程系统，使用图来表示计算任务，图中的节点被称之为op（operation），一个op获得0个或者多个tensor，然后执行计算，产生0个或多个tensor。
一个tensorflow图描述了计算的过程，为了进行计算，图必须在会话里所启动。会话将图的节点分发到CPU或者GPU之类的设备上，同时提供执行op的方法，这些方法执行后，将产生的tensor返回，在python语言中，返回的tensor是numpy ndarray对象。

import tensorflow as tf
# 创建一个op
matrix1 = tf.constant([[3.,3.]])
# 创建另外一个op
matrix2 = tf.constant([[2.],[2.]])
# 创建一个矩阵乘法op，把matrix1和matrix2作为输入
product = tf.matmul(matrix1,matrix2)
# 在一个会话中启动图
sess = tf.Session()
result = sess.run(product)
print(result)
# 关闭会话
sess.close(）

交互式使用, 可以使用 InteractiveSession 代替 Session 类, 使用 Tensor.eval() 和 Operation.run() 方法代替 Session.run(). 这样可以避免使用一个变量来持有会话.

#进入一个交互式TensorFlow会话
import tensorflow as tf
sess = tf.InteractiveSession()

x = tf.Variable([1.0,2.0])
a = tf.constant([3.0,3.0])
# 使用初始化器initializer op的run()方法初始化x
x.initializer.run()
# 增加一个减法op
sub = tf.sub(x,a)
print(sub.eval())

变量
变量维护图执行过程中的状态信息.下面的例子演示了如何使用变量实现一个简单的计数器.代码中 assign() 操作是图所描绘的表达式的一部分，更新变量, 正如 add() 操作一样. 所以在调用 run() 执行表达式之前, 它并不会真正执行赋值操作.

# 创建一个变量, 初始化为标量 0.
state = tf.Variable(0, name="counter")

# 创建一个 op, 其作用是使 state 增加 1

one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

# 启动图后, 变量必须先经过`初始化` (init) op 初始化,
# 首先必须增加一个`初始化` op 到图中.
init_op = tf.initialize_all_variables()

# 启动图, 运行 op
with tf.Session() as sess:
  # 运行 'init' op
  sess.run(init_op)
  # 打印 'state' 的初始值
  print sess.run(state)
  # 运行 op, 更新 'state', 并打印 'state'
  for _ in range(3):
    sess.run(update)
    print sess.run(state)

# 输出:

# 0
# 1
# 2
# 3

Fetch
为了取回操作的输出内容, 可以在使用 Session 对象的 run() 调用 执行图时, 传入一些 tensor, 这些 tensor 会帮助你取回结果. 在之前的例子里, 我们只取回了单个节点 state, 但是你也可以取回多个 tensor:需要获取的多个 tensor 值,在 op 的一次运行中一起获得(而不是逐个去获取 tensor).

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

with tf.Session():
  result = sess.run([mul, intermed])
  print result

# 输出:
# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

CNN

7,关于Faster-RCNN（不看tensorpack版本的）

代码的Github地址：https://github.com/endernewton/tf-faster-rcnn

IOU

体检测需要定位出物体的bounding box，对于bounding box的定位精度，有一个很重要的概念，因为我们算法不可能百分百跟人工标注的数据完全匹配，因此就存在一个定位精度评价公式：IOU。
IOU定义了两个bounding box的重叠度，如下图所示:

矩形框A、B的一个重合度IOU计算公式为：
IOU=(A∩B)/(A∪B)
就是矩形框A、B的重叠面积占A、B并集的面积比例:
IOU=SI/(SA+SB-SI)