二、教你怎麽看source code，找到核心程序码 ep.19：把tfrecord parse完了，接着做了哪些preprocess? 3

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
3. tensorflow的程序码特色
4. 训练流程的细节
5. 逛deeplab的github程序，顺序：train.py model.py datasets/data_generator.py …

前情提要

接续ep.18。

逛deeplab的github程序(cont.)

input_preprocess.py (cont.)

• 107-109行取得目前有经过resize这道处理的图片的尺。tf.shape的axis 0是平常图片的高、axis 1则是图片的宽。
• 111-112行则是分别把图片高宽加上图片与裁切尺寸的差值，作为data新的高与宽，也就是说如果裁切尺寸大於图片的话，图片周围就会被多加pixel；如果裁切尺寸小於图片的话，则图片的高宽先维持原样。

• 116行是feature.extractor的mean_pixel()method：
  • core/feature_extractor.py
  • 
  • 
    回传的是根据各backbone预设的平均pixel值，list由左至右的是RGB三通道。
• 115行的tf.reshape会把mean_pixel()回传的list，reshape成(1, 1, 3)的tensor放入mean_pixel变数中。

• 接着117行就把data、offset与指定的高宽和平均pixel输入pad_to_bounding_box()中，tensorflow的image API中也有实作一个同名的method，但这两个有稍微不同之处：Deeplab这里实作的方法，可以输入任意要padding的值，不用一定是0；在图片尺寸不明的状况下亦可处理。
• 然後120-122行就是对label做同样的padding处理，让data与label一致。

再来是将已经经过resize、padding的影像，用random_crop()随机裁切，他的第一个参数是把data与label这两个高宽相同、但channel数不同的tensor用list包起来，这样分批可以加快速度处理。

所做的事情是随机在图片的任意位置上产生指定crop尺寸(预设是513,513)的bounding box，然後再根据bounding box做裁切。

做完一切处理後，所有的影像皆为指定的crop尺寸，就把影像的尺寸给设定好。label也是。

接着最後就是在训练时，以0.5的机率将data与label作为一组进行左右翻转。这个method也是自制的，而非使用tf.random_flip_left_right，这样可以调控翻转的比例并且确保data与label是接受相同的处理。

最後就将处理完成的data与label回传。