FCN.py语义分割脚本代码小白级注释
当初刚开始看FCN.py脚本代码时，有部分不太明白的，就给脚本增加了一些注释，具体见下方（参考增加了网上各位同学的注释，以更全面），供各位初学者参考：
基本上（有可能）是目前网上最全的注释了
1 from __future__ import print_function 2 import tensorflow as tf 3 import numpy as np 4 5 import TensorflowUtils as utils 6 import read_MITSceneParsingData as scene_parsing 7 import datetime 8 import BatchDatsetReader as dataset 9 from six.moves import xrange 10 11 FLAGS = tf.flags.FLAGS 12 tf.flags.DEFINE_integer("batch_size", "2", "batch size for training") 13 tf.flags.DEFINE_string("logs_dir", "logs/", "path to logs directory") 14 tf.flags.DEFINE_string("data_dir", "Data_zoo/MIT_SceneParsing/", "path to dataset") 15 tf.flags.DEFINE_float("learning_rate", "1e-4", "Learning rate for Adam Optimizer") 16 tf.flags.DEFINE_string("model_dir", "Model_zoo/", "Path to vgg model mat") 17 tf.flags.DEFINE_bool('debug', "False", "Debug mode: True/ False") 18 tf.flags.DEFINE_string('mode', "train", "Mode train/ test/ visualize") 19 20 # 选择模式，现有train和visualize，test在下面没有找到对应的代码 21 # train会处理训练集，并生成模型，保存在logs中 22 # visualize会处理valid集合，并使用logs中生成的模型，可以参考这部分代码完成自己的分割程序 23 24 25 MODEL_URL = 'http://www.vlfeat.org/matconvnet/models/beta16/imagenet-vgg-verydeep-19.mat' 26 27 # 迭代的最大次数 28 MAX_ITERATION = int(1e5 + 1) 29 # 分类的个数 30 NUM_OF_CLASSESS = 151 31 # 图片尺寸 32 IMAGE_SIZE = 224 33 34 # vgg_net: 根据权重构建vgg网络 35 ## vgg 网络部分， weights 是vgg网络各层的权重集合， image是被预测的图像的向量 36 37 def vgg_net(weights, image): 38 ## fcn的前五层网络就是vgg网络 39 layers = ( 40 'conv1_1', 'relu1_1', 'conv1_2', 'relu1_2', 'pool1', 41 42 'conv2_1', 'relu2_1', 'conv2_2', 'relu2_2', 'pool2', 43 44 'conv3_1', 'relu3_1', 'conv3_2', 'relu3_2', 'conv3_3', 45 'relu3_3', 'conv3_4', 'relu3_4', 'pool3', 46 47 'conv4_1', 'relu4_1', 'conv4_2', 'relu4_2', 'conv4_3', 48 'relu4_3', 'conv4_4', 'relu4_4', 'pool4', 49 50 'conv5_1', 'relu5_1', 'conv5_2', 'relu5_2', 'conv5_3', 51 'relu5_3', 'conv5_4', 'relu5_4' 52 ) 53 # weights 是vgg网络各层的权重集合，存储格式mat 54 net = {} 55 current = image 56 for i, name in enumerate(layers): #enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。 57 kind = name[:4] 58 # 卷积层 59 if kind == 'conv': 60 kernels, bias = weights[i][0][0][0][0] 61 # kernels的获取方式是weights[第i层][0][0][0][0][0]，形状为[width, height, in_channels, out_channels]，bias的获取方式是weights[0][0][0][0][0]，形状为[1,out_channels]。 62 # 对于VGG-19的卷积，全部采用了3X3的filters，所以width为3，height为3。注意，这里面的层数i，指的是最细粒度的层数，包括conv、relu、pool、fc各种操作。 63 # 因此，i=0为卷积核，i=1为relu，i=2为卷积核，i=3为relu，i=4为pool，i=5为卷积核……，i=37为全连接层，以此类推。VGG-19的pooling采用了长宽为2X2的max-pooling。 64 # weights[i][0][0][0][0]的输出前面是kernel矩阵，后面是bias矩阵。 65 66 # matconvnet: weights are [width, height, in_channels, out_channels] 67 # tensorflow: weights are [height, width, in_channels, out_channels] 68 # get_variabl创建新的tensorflow变量 （这里用的是常量初始化） 69 kernels = utils.get_variable(np.transpose(kernels, (1, 0, 2, 3)), name=name + "_w") 70 bias = utils.get_variable(bias.reshape(-1), name=name + "_b") #reshape(-1)将bias转化为一维向量 71 current = utils.conv2d_basic(current, kernels, bias) 72 # 激活函数 73 elif kind == 'relu': 74 current = tf.nn.relu(current, name=name) 75 # FLAGS.debug 表示是否调试，如果是调试，则输出调试信息 76 if FLAGS.debug: 77 utils.add_activation_summary(current) 78 # 池化层 79 ## vgg 的前5层的stride都是2，也就是前5层的size依次减小1倍 80 ## 这里处理了前4层的stride，用的是平均池化 81 ## 第5层的pool在下文的外部处理了，用的是最大池化 82 ## pool1 size缩小2倍 83 ## pool2 size缩小4倍 84 ## pool3 size缩小8倍 85 ## pool4 size缩小16倍 86 elif kind == 'pool': 87 current = utils.avg_pool_2x2(current) # 平均池化 88 net[name] = current 89 ## vgg每层的结果都保存在net中了 90 return net 91 92 # 定义Semantic segmentation network，使用VGG结构 93 ## 预测流程，image是输入图像的向量，keep_prob是dropout rate（dropout rate，丢失率，一般设置为0.3-0.5 调好了就是加大模型鲁棒性，调不好就是overfitting ） 94 def inference(image, keep_prob): 95 """ 96 # inference: 推理 97 Semantic segmentation network definition ## 语义分割网络 98 :param image: input image. Should have values in range 0-255 99 :param keep_prob: 100 :return: 101 """ 102 103 ## 获取训练好的vgg部分的model 104 print("setting up vgg initialized conv layers ...") 105 # download Model，建议提前下好，这样不会重新下载 106 # 关于model的结构，可以看 107 model_data = utils.get_model_data(FLAGS.model_dir, MODEL_URL) 108 109 mean = model_data['normalization'][0][0][0] 110 mean_pixel = np.mean(mean, axis=(0, 1)) #求出各个通道的平均值（3通道img，（H,W,3）），axis=(0, 1)其实表示的是对第0和1维共同展成的二维平面进行求均值。 111 # layers字段，所有的权重都存在这里面 112 # 关于numpy的squeeze，可以看 https://blog.csdn.net/zenghaitao0128/article/details/78512715 113 # np.squeeze 去掉数组的维度，从数组的形状中删除单维条目，即把shape中为1的维度去掉. 114 weights = np.squeeze(model_data['layers']) 115 116 ## 将图像的向量值都减去平均像素值，进行 normalization 117 # image - mean_pixel：每一channel的均值 118 processed_image = utils.process_image(image, mean_pixel) 119 120 # 以inference为名的命名空间 121 with tf.variable_scope("inference"): 122 # 构建VGG网络 123 ## 计算前五层vgg网络的输出结果 124 image_net = vgg_net(weights, processed_image) 125 # 最后一层 126 conv_final_layer = image_net["conv5_3"] 127 # 最后添加一层2*2的max pool 128 ## pool1 size缩小2倍 129 ## pool2 size缩小4倍 130 ## pool3 size缩小8倍 131 ## pool4 size缩小16倍 132 ## pool5 size缩小32倍 133 pool5 = utils.max_pool_2x2(conv_final_layer) 134 135 ## 初始化第6层的w、b 136 ## 7*7 卷积核的视野很大 137 # 再加conv6，conv7，conv8三个卷基层，都用的ReLU 138 W6 = utils.weight_variable([7, 7, 512, 4096], name="W6") 139 b6 = utils.bias_variable([4096], name="b6") 140 conv6 = utils.conv2d_basic(pool5, W6, b6) 141 relu6 = tf.nn.relu(conv6, name="relu6") 142 if FLAGS.debug: 143 utils.add_activation_summary(relu6) 144 relu_dropout6 = tf.nn.dropout(relu6, keep_prob=keep_prob) 145 146 ## 在第6层没有进行池化，所以经过第6层后 size缩小仍为32倍 输出[7,7,4096] 147 148 ## 初始化第7层的w、b 149 W7 = utils.weight_variable([1, 1, 4096, 4096], name="W7") 150 b7 = utils.bias_variable([4096], name="b7") 151 conv7 = utils.conv2d_basic(relu_dropout6, W7, b7) 152 relu7 = tf.nn.relu(conv7, name="relu7") 153 if FLAGS.debug: 154 utils.add_activation_summary(relu7) 155 relu_dropout7 = tf.nn.dropout(relu7, keep_prob=keep_prob) 156 ## 在第7层没有进行池化，所以经过第7层后 size缩小仍为32倍 输出[7,7,4096] 157 158 ## 初始化第8层的w、b 159 ## 输出维度为NUM_OF_CLASSESS 160 161 W8 = utils.weight_variable([1, 1, 4096, NUM_OF_CLASSESS], name="W8") 162 b8 = utils.bias_variable([NUM_OF_CLASSESS], name="b8") 163 conv8 = utils.conv2d_basic(relu_dropout7, W8, b8) 164 # annotation_pred1 = tf.argmax(conv8, dimension=3, name="prediction1") #输出维度为[7,7,NUM_OF_CLASSESS] 165 166 # now to upscale to actual image size 167 # 进行deconv操作，依次获取前面卷积前的图片大小 pool4 size缩小16倍 [14,14,512] 168 ## 开始将size提升为图像原始尺寸 169 deconv_shape1 = image_net["pool4"].get_shape() 170 W_t1 = utils.weight_variable([4, 4, deconv_shape1[3].value, NUM_OF_CLASSESS], name="W_t1") 171 b_t1 = utils.bias_variable([deconv_shape1[3].value], name="b_t1") 172 ## 对第8层的结果进行反卷积(上采样),通道数也由NUM_OF_CLASSESS变为第4层的通道数(512) 173 conv_t1 = utils.conv2d_transpose_strided(conv8, W_t1, b_t1, output_shape=tf.shape(image_net["pool4"])) #输出维度为[14,14,512] 174 ## 对应论文原文中的"2× upsampled prediction + pool4 prediction" 175 fuse_1 = tf.add(conv_t1, image_net["pool4"], name="fuse_1") 176 177 deconv_shape2 = image_net["pool3"].get_shape() 178 ## 对上一层上采样的结果进行反卷积(上采样),通道数也由上一层的通道数(512)变为第3层的通道数(256) 179 W_t2 = utils.weight_variable([4, 4, deconv_shape2[3].value, deconv_shape1[3].value], name="W_t2") 180 b_t2 = utils.bias_variable([deconv_shape2[3].value], name="b_t2") 181 conv_t2 = utils.conv2d_transpose_strided(fuse_1, W_t2, b_t2, output_shape=tf.shape(image_net["pool3"])) #输出维度为[28,28,256] 182 ## 对应论文原文中的"2× upsampled prediction + pool3 prediction" 183 fuse_2 = tf.add(conv_t2, image_net["pool3"], name="fuse_2") 184 185 ## 原始图像的height、width和通道数 186 shape = tf.shape(image) 187 ## 既形成一个列表，形式为[height, width, in_channels, out_channels] 188 deconv_shape3 = tf.stack([shape[0], shape[1], shape[2], NUM_OF_CLASSESS]) 189 W_t3 = utils.weight_variable([16, 16, NUM_OF_CLASSESS, deconv_shape2[3].value], name="W_t3") 190 b_t3 = utils.bias_variable([NUM_OF_CLASSESS], name="b_t3") 191 ## 再进行一次反卷积，将上一层的结果转化为和原始图像相同size、通道数为分类数的形式数据 pool3[28,28,256],--->[224,224,NUM_OF_CLASSESS] 192 conv_t3 = utils.conv2d_transpose_strided(fuse_2, W_t3, b_t3, output_shape=deconv_shape3, stride=8) 193 194 ## 目前conv_t3的形式为size为和原始图像相同的size，通道数与分类数相同 195 ## 这句我的理解是对于每个像素位置，根据第3维度（通道数）通过argmax能计算出这个像素点属于哪个分类 196 ## 也就是对于每个像素而言，NUM_OF_CLASSESS个通道中哪个数值最大，这个像素就属于哪个分类 197 annotation_pred = tf.argmax(conv_t3, dimension=3, name="prediction") 198 199 return tf.expand_dims(annotation_pred, dim=3), conv_t3 200 201 ## 训练 202 def train(loss_val, var_list): 203 optimizer = tf.train.AdamOptimizer(FLAGS.learning_rate) 204 ## 下面是参照tf api 205 ## Compute gradients of loss_val for the variables in var_list. 206 ## This is the first part of minimize(). 207 ## loss: A Tensor containing the value to minimize. 208 ## var_list: Optional list of tf.Variable to update to minimize loss. 209 ## Defaults to the list of variables collected in the graph under the key GraphKey.TRAINABLE_VARIABLES. 210 grads = optimizer.compute_gradients(loss_val, var_list=var_list) #计算梯度 211 if FLAGS.debug: 212 # print(len(var_list)) 213 for grad, var in grads: 214 utils.add_gradient_summary(grad, var) 215 ## 下面是参照tf api 216 ## Apply gradients to variables. 217 ## This is the second part of minimize(). It returns an Operation that applies gradients. 218 return optimizer.apply_gradients(grads) 219 220 # 主函数 221 def main(argv=None): 222 # placeholder 定义输入，keep_probability隐含层节点保持工作的概率，这是个什么效果 223 ## dropout 保留率 224 #placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存 225 keep_probability = tf.placeholder(tf.float32, name="keep_probabilty") 226 # 输入图像，3是指channel 227 ## 原始图像的向量 228 image = tf.placeholder(tf.float32, shape=[None, IMAGE_SIZE, IMAGE_SIZE, 3], name="input_image") 229 # 标注图像，只有1个channel 230 ## 原始图像对应的标注图像的向量 231 annotation = tf.placeholder(tf.int32, shape=[None, IMAGE_SIZE, IMAGE_SIZE, 1], name="annotation") 232 # 构建训练模型 233 ## 输入原始图像向量、保留率，得到预测的标注图像和随后一层的网络输出 234 pred_annotation, logits = inference(image, keep_probability) # inference() 推理 在深度学习中，logits就是最终的全连接层的输出 235 ## 为了方便查看图像预处理的效果，可以利用 TensorFlow 提供的 tensorboard 工具进行可视化，直接用 tf.summary.image 将图像写入 summary 236 ## tensorflow的可视化是使用summary和tensorboard合作完成的。 tf.summary相关API的功能就是，将定期将部分指定tensor的值保存到本地，在通过tensorboard显示。 237 tf.summary.image("input_image", image, max_outputs=2) 238 tf.summary.image("ground_truth", tf.cast(annotation, tf.uint8), max_outputs=2) 239 tf.summary.image("pred_annotation", tf.cast(pred_annotation, tf.uint8), max_outputs=2) 240 # 损失函数 241 ## 计算预测标注图像和真实标注图像的交叉熵 在深度学习中，交叉熵是指两个概率分布之间的距离，交叉熵越小，两个概率分布越接近 242 #像素点上求交叉熵的和， 像素间求上一步的平均数 243 # squeeze_dims=[3] 删除维度3，即通道维度 244 loss = tf.reduce_mean((tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, 245 labels=tf.squeeze(annotation, squeeze_dims=[3]), 246 name="entropy"))) 247 loss_summary = tf.summary.scalar("entropy", loss) 248 # 优化器 249 ## 返回需要训练的变量列表 250 trainable_var = tf.trainable_variables() 251 if FLAGS.debug: 252 for var in trainable_var: 253 utils.add_to_regularization_and_summary(var) 254 ## 定义损失 255 train_op = train(loss, trainable_var) 256 257 print("Setting up summary op...") 258 ## 定义合并变量的操作，一次性生成所有summary数据 259 summary_op = tf.summary.merge_all() 260 # tf.summary.merge_all: 将之前定义的所有summary op整合到一起 261 262 # 会下载Train和Valid数据 263 print("Setting up image reader...") 264 ## 读取训练数据集、验证数据集 265 train_records, valid_records = scene_parsing.read_dataset(FLAGS.data_dir) 266 print(len(train_records)) 267 print(len(valid_records)) 268 269 print("Setting up dataset reader") 270 ## 将训练数据集、验证数据集的格式转换为网络需要的格式 271 image_options = {'resize': True, 'resize_size': IMAGE_SIZE} 272 if FLAGS.mode == 'train': 273 train_dataset_reader = dataset.BatchDatset(train_records, image_options) 274 validation_dataset_reader = dataset.BatchDatset(valid_records, image_options) 275 276 sess = tf.Session() 277 278 print("Setting up Saver...") 279 saver = tf.train.Saver() 280 281 # create two summary writers to show training loss and validation loss in the same graph 282 # need to create two folders 'train' and 'validation' inside FLAGS.logs_dir 283 #FileWriter: 创建一个file writer用来向硬盘写summary数据 284 train_writer = tf.summary.FileWriter(FLAGS.logs_dir + '/train', sess.graph) 285 validation_writer = tf.summary.FileWriter(FLAGS.logs_dir + '/validation') 286 287 sess.run(tf.global_variables_initializer()) 288 ## 加载之前的checkpoint 289 ckpt = tf.train.get_checkpoint_state(FLAGS.logs_dir) 290 if ckpt and ckpt.model_checkpoint_path: 291 saver.restore(sess, ckpt.model_checkpoint_path) 292 print("Model restored...") 293 294 # 如果是train模式 295 # 迭代MAX_ITERATION次 296 # 读取下一批次图像与标注进行训练 297 # 每10轮输出一下train_loss，500轮输出一下验证集的loss 298 if FLAGS.mode == "train": 299 for itr in xrange(MAX_ITERATION): 300 ## 读取训练集的一个batch 301 train_images, train_annotations = train_dataset_reader.next_batch(FLAGS.batch_size) 302 feed_dict = {image: train_images, annotation: train_annotations, keep_probability: 0.85} 303 304 ## 执行计算损失操作，让网络跑起来 305 sess.run(train_op, feed_dict=feed_dict) 306 307 if itr % 10 == 0: 308 train_loss, summary_str = sess.run([loss, loss_summary], feed_dict=feed_dict) 309 print("Step: %d, Train_loss:%g" % (itr, train_loss)) 310 train_writer.add_summary(summary_str, itr) 311 312 if itr % 500 == 0: 313 valid_images, valid_annotations = validation_dataset_reader.next_batch(FLAGS.batch_size) 314 valid_loss, summary_sva = sess.run([loss, loss_summary], feed_dict={image: valid_images, annotation: valid_annotations, 315 keep_probability: 1.0}) 316 print("%s ---> Validation_loss: %g" % (datetime.datetime.now(), valid_loss)) 317 318 # add validation loss to TensorBoard 319 validation_writer.add_summary(summary_sva, itr) 320 saver.save(sess, FLAGS.logs_dir + "model.ckpt", itr) 321 322 elif FLAGS.mode == "visualize": 323 valid_images, valid_annotations = validation_dataset_reader.get_random_batch(FLAGS.batch_size) 324 pred = sess.run(pred_annotation, feed_dict={image: valid_images, annotation: valid_annotations, 325 keep_probability: 1.0}) 326 valid_annotations = np.squeeze(valid_annotations, axis=3) 327 pred = np.squeeze(pred, axis=3) 328 329 for itr in range(FLAGS.batch_size): 330 utils.save_image(valid_images[itr].astype(np.uint8), FLAGS.logs_dir, name="inp_" + str(5+itr)) 331 utils.save_image(valid_annotations[itr].astype(np.uint8), FLAGS.logs_dir, name="gt_" + str(5+itr)) 332 utils.save_image(pred[itr].astype(np.uint8), FLAGS.logs_dir, name="pred_" + str(5+itr)) 333 print("Saved image: %d" % itr) 334 335 336 if __name__ == "__main__": 337 tf.app.run()