《DeepLab-ResNet rebuilt in TensorFlow》代码运行阅读笔记

初步接触图像分割领域，跑一个经典的代码看看效果，挖掘灵感

这是2017年CVPR上的工作《DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs》

ubuntu16下的环境搭建

首先，需要下载以下几个文件：代码链接中的工程文件，deeplab_resnet.ckpt这个训练好的模型参数，VOC2012数据集（其中SegmentationClass需要替换为SegmentationClassAug）。这些东西代码链接中都有，仔细看看。

然后，搭建python2.7下的tensorflow的环境

首先安装anaconda，然后在控制台输入以下命令
conda create -n easytensor27 python=2.7//创建名为easytensor27的虚拟环境
source activate easytensor27            //进入虚拟环境
anaconda search -t conda tensorflow    //查看tensorflow的链接
anaconda show anaconda/tensorflow-gpu   
conda install --channel https://conda.anaconda.org/anaconda tensorflow-gpu //安装tensorflow
python
source activate easytensor27
pip install -r requirements.txt  //进入工程目录下，安装依赖的包

用pycharm打开工程，应用虚拟环境，修改train.py中的三个地方

DATA_DIRECTORY=''中间写数据集存储的地方

load函数中，写上模型参数存储的地方

再根据GPU显存大小，修改一下BATCH_SIZE的大小

即可运行train.py

代码阅读(按照程序运行流程)

• 命令行参数解析

Python标准库推荐使用的命令行参数解析模块——Argparse

• add_argument()方法，用来设置程序可接受的命令行参数。
• 现在要运行程序，就必须设置一个参数（或者有defualt）。
• parse_args()方法实际上从我们的命令行参数中返回了一些数据

args = get_arguments()

• 获取窗口大小

map()是 Python 内置的高阶函数，它接收一个函数 f 和一个 list，并通过把函数 f 依次作用在 list 的每个元素上，得到一个新的 list 并返回。

h, w = map(int, args.input_size.split(','))
input_size = (h, w)

• 设置graph级别的随机种子

在Graph中，我们通过tf.set_random_seed()函数对该图资源下的全局随机数生成种子进行设置，使得不同Session中的random系列函数表现出相对协同的特征，这就是Graph-Level的表现。

tf.set_random_seed(args.random_seed)

• 数据获取与线程管理

载入数据的教程
首先要知道TensorFlow(TF)是怎么样工作的。

TF的核心是用C++写的，这样的好处是运行快