二、教你怎麽看source code，找到核心程序码 ep.23：Deeplab的model 部署

文章说明

文章分段

1. 文章说明
2. deeplab的简单介绍、於我的意义 ep.1
3. tensorflow的程序码特色 ep.2
4. 训练流程的细节 ep.3
5. 逛deeplab的github程序

前情提要

上个ep稍微去看了deployment.py後，大概知道他在处理各个clone拿到的model的tensor name，那代表，要真的了解model在干麻，还是得回归到train.py里作为model_fn的_build_deeplab()才行。

build model的过程伴随着资料的输入，第一件做的事情就是从iterator中取出一个batch的训练样本。

上次就讲到这些，让我们继续开始吧。

逛deeplab的github程序(cont.)

train.py (cont.)

ModelOptions是来自common.py的class，目的就是在制作要设定此次模型的参数。

• outputs_to_num_classes就是此次分类的数量
• crop_size是input tensor shape，之前iterator已经按照这个尺寸处理好资料了
• atrous_rates就是deeplab的论文核心，空洞的部分，顺带一提，蛮多API的conv layer都已经有提供这个参数做使用。
• output_stride是input的尺寸与output尺寸的比例，我记得应该是input/output

这个部分就要去看model.py的multi_scale_logits()，我一直蛮好奇这个「logits」指的究竟是什麽意思？我们通常搭建的模型会是前面有许多conv layer层去找特徵，然後後面接几个全连接层将其展开，然後最後用一层输出跟分类数量一样的神经层去输出最後的output。而这个logits，一般就是最後一层的「前一层」的输出。

也就是说，主要的模型架构应该就在这个method里面。

接下来是将模型的logits取出来，把他们存在一个dict里，并且给他tensor name。

接着最後就是将logits送去给add_softmax_cross_entropy_loss_for_each_scale()去计算最後的输出，并且跟label进行比较。

有没有做到更新参数这件事要等看了这个method才知道。

所以接着去utils资料夹看train_utils.py的程序吧。

train.utils.py

对不同scale的logits，都去计算softmax cross entropy的loss。

其实在这个method的第74行～140行，都在处理scale的问题，让logits与label有对应到，所以会有一些resize跟reshape的部分。

这里其实还有一个重点，data与label使用的resize method不一样，也不应该一样，data适合使用bilinear这类interpolation的，而label则是适合nearest neighbor这类的resize。
毕竟不会有人希望，label resize後，居然出现1.5这种label...

最终就是把label跟logits拿去计算loss，不过这里已经到tf.nn这个原始API了，身为上层API的使用户，我已经无法继续解释下去了，所以只能在这里打住。

　

噢然後在算完loss後，其实有个叫top_k的东西，可以用来帮忙提高更新loss的效率，就是top_k。

他的使用时机就是在算完loss後，把loss交给这个method，他就会去取loss最高的前k个，只把这些loss拿出来，然後去把这些地方做更新。

　


然後之後把loss加进tf.losses这个地方，没意外的话，我想这些loss，应该是可以被tf.GraphKeys.LOSSES找到的。

这样，应该都结束了吧。