对学姐的U-net网络的学习杂记

.npy文件是一种存放数据的文件格式。.npy格式是用python程序生成的，只能用python程序读取和显示。

转自：https://jingyan.baidu.com/article/7f41ecec26081d593d095c18.html

例如：

imgs_test = np.load(self.npy_path+"/imgs_test.npy")

---

一次性输出30个相同的‘-’符号

print('-'*30)

---

关于args和kwargs

*args可以当作可容纳多个变量组成的list；**kwargs可以当作容纳多个key和value的dictionary

转自：https://blog.csdn.net/chenjinyu_tang/article/details/8136841

---

数据类型转换 astype

imgs_test = imgs_test.astype('float32')

---

对@property的理解和使用

转自：https://blog.csdn.net/u013205877/article/details/77804137

这里的核心讲的就是@property作为了get方法的替换，对应的@setter是作为对set方法的替换。这样在调用函数的时候有输入那就是作为对@setter的输入，不然就是从@property里面读取属性。

class myUnet(object):
	def __init__(self, img_rows = 240, img_cols = 240):
		self.img_rows = img_rows
		self.img_cols = img_cols
# 参数初始化定义
……

# 载入数据
	@property
	def get_unet(self):
		inputs = Input((self.img_rows, self.img_cols,1))

控制台输出：

(?, 240, 240, 64)这里我的理解是这个U-net网络的大小为240*240*64的。

---

这里就是在不断的建立新的父Class，里面包含__init和他要用到的函数；之后用他产生子Class，去调用父类的函数。这个父类及其函数可以放在其他辅助文件下，这样主文件看起来结构更清晰。

---

在data.py的r 231的imgs_test.npy来源暂时不明。

imgs_test = np.load(self.npy_path+"/imgs_test.npy")

---

Keras和TensorFlow的关系和区别

转自：https://blog.csdn.net/capecape/article/details/78390246

TensorFlow和theano都是深度学习框架，TensorFlow和theano比较灵活，也比较难学，它们其实就是一个微分器。（这里我改了）
Keras其实就是TensorFlow和Keras的接口（Keras作为前端，TensorFlow或theano作为后端），它也很灵活，且比较容易学。可以把keras看作为tensorflow封装后的一个API。

所以说，在这里看到的

from keras.models import *
from keras.layers import *
from keras.optimizers import *
from keras.callbacks import ModelCheckpoint, LearningRateScheduler
from keras import backend as keras

就是在Pycharm输入keras作为前端调用TensorFlow，也便有了在debug时的

而我们使用的Pycharm是调试器。

---

PyTorch vs TensorFlow，哪个更适合你

转自：https://yq.aliyun.com/articles/183473（2017年文章）

这里对Pytorch和Tensorflow两种框架做了：起源、接受度、图的动态定义 vs 静态定义、调试、可视化、部署、框架or库的对比并且得出了结论。

这里列一个表，作为对这篇文章的重点内容的简单整理：

PyTorch vs TensorFlow

	TensorFlow	PyTorch
起源	谷歌大脑开发，并在谷歌公司中广泛地应用于研究生产	Torch框架的表亲，Torch是基于lua开发的，在Facebook公司里被广泛使用；重写&定制目的：为了得到更快的速度和本地化
接受度	在研究人员和行业专业人士接受度高，易于使用	比较新（仍处于测试阶段），但发展迅速
图的定义	在模型能够运行之前静态地定义图；与外部世界的所有通信都通过tf.Session对象和tf.Placeholder来执行	可随时定义、随时更改、随时执行节点，并且没有特殊的会话接口或占位符
调试	需要tfdbg的特殊工具，该工具允许在运行时评估TensorFlow表达式，并浏览会话内的所有张量和操作（这里不是可以用keras作为api在Pycharm里面调试的吗？）	可以使用任何一个调试工具，比如pdb、ipdb、PyCharm调试器或者原始的print语句
可视化	Tensorboard 在训练模型的时候，你可以在调整某些超参数之后再训练一遍。两次运行过程可以同时显示在Tensorboard上，以显示它们之间存在的差异。Tensorboard能够： 显示模型图 绘制标量变量 使分布和直方图可视化 使图像可视化 使嵌入可视化 播放音频	没有一个类似于Tensorboard的工具，但有一个可以将Tensorboard集成进来的工具。
部署	TensorFlow Serving的框架，用于在一个指定的gRPC服务器上部署模型；支持分布式训练	可以使用Flask或者另一种替代方法来基于模型编写一个REST API；分布式训练目前仅支持Linux （https://pytorch.org/docs/master/distributed.html）
框架 or 库	纯TensorFlow看起来更像是一个库，而不是框架：所有的操作都在低层次进行，因此不得不编写大量的样板代码； 在使用TensorFlow以及选择适合任务的框架上有着很大的自由度，你可以在这些框架中选择：TFLearn、tf.contrib.learn、Sonnet、Keras、或者纯tf.layers等等	datasets模块，包含了用于评测深度学习架构的流行数据集的包装。nn.Module可用于构建一个自定义的卷积神经网络分类器。 nn.Module一个构建块，可用于创建复杂的深度学习架构。 torch.nn包中有大量可用作模型基础的模块；torch.nn.Module能够以面向对象的方式来定义可重用的模块，这种方法非常灵活强大。torch.nn.Sequential来组成各种模块。可以以函数的形式使用所有的内置模块，非常方便。
结论	非常强大非常成熟的深度学习库，具有非常强大的可视化功能，以及有多个可供选择的框架来进行高级模型开发； 如果你有以下需求，那么TensorFlow是一个很好的选择： 开发生产模型 开发需要部署在移动平台上的模型 需要良好的社区支持和齐全的文档 想要各种形式的丰富的学习资源（TensorFlow有一个大型开放式网络课程） 想要或需要使用Tensorboard 需要大规模的分布式模型训练	一个年轻的框架，但其发展速度越来越快； 如果你有以下需求，它可能会比较适合你： 用于研究，或者是用于生产的非功能性需求并不是很苛刻 需要更好的开发和调试体验 爱所有Python化的东西

---