基于Keras框架搭建Salient Object Detection模型踩坑之路
定下方向，开始干！
接下来将是较长一段时间的踩坑之路，从零开始，读论文，写代码，记录坑点，以防再次掉进去。
持续更新......
1. 敲代码之前需要注意的问题：
决定了，本CV小白想用Keras框架，后端使用TensorFlow，IDE就用Pycharm，最好用，不接受反驳哈哈。
这里安利一本书《Python 深度学习》，以及Keras中文文档，链接：https://keras-cn.readthedocs.io/en/latest/，有这俩，差不多搭建一个简单的无脑模型是够用了的。
另外，如果要长时间做科研，建议给每一个项目单独设置一个Python运行环境，防止你的项目太多了，环境冲突。比如我就用了virtualenv，给个教程，自己写的，巨简单：https://blog.csdn.net/Dorothy_Xue/article/details/84111775。也可以在用Pycharm创建项目时，在解释器那里搞一下。
多读点论文，张张知识，了解当前方向做到啥程度了，起码最新的那些比较受关注的工作要了解一下。
2. coding时踩过的坑，长征之路开启（ 手动按一下超大Enter键
1. 首先遇到的问题就是数据集。数据集有好多的，一扫一大堆。那么问题来了，网上荡下来的那么多数据集，每个数据集的文件夹乱七八糟的，你看
总而言之呢就是一点不统一，你需要把它弄的规范点，划分一下，手动一张一张来那就太不现实了，还是发挥你的代码能力，就当练练手对不，写个代码划分一下，很快就好了。划分成什么样子呢？这样：
- train_img, train_gt
- validation_img, validation_gt
- test_img, test_gt
又整洁又好看，方便模型调用数据，nice。
2. 对着书搭模型时，书上的一看就懂，用到自己的任务里一写就错，脑阔疼，坑很多，许多没有注意到的事。比如，模型的输入。可能对着书，就是简单的调用一下train_data, train_label这样，因为这些数据在keras中人家都已经给你弄好了，你只知道模型需要接收的输入是张量，要存在Numpy数组中（划重点，这个从来没有搭过模型的人真不一定知道，看了书也容易忽略，比如在下）。
另外！把数据送进模型进行训练之前！要记得！归一化一下！（又是小白踩过的一个大坑）因为读取图片数据得到的范围是在0-255之间，GT也是0和255，但是为了模型训练方便，加速收敛，要归一化，不然就我没归一化过的模型来看，loss竟然是负数，负好几百，精度巨低，跟0没差。所以要预处理一下实验数据！就是除一下255归一化到[0,1]之间就好了，easy。
3. 关于优化器，书上各种安利RMSprop，虽然好，但是前辈说像图像显著性检测就不要用RMSprop了，因为这个在有LSTM这样的结构的模型中表现更好，图像显著性就用Adam就好了。
4. 关于Deconv2D。反卷积时卷积核大小要能被步长整除！不然容易出现棋盘效应。给个链接了解一下棋盘效应：https://blog.csdn.net/Dorothy_Xue/article/details/79844990，因为还没正式调效果，就是简单的了解熟悉一下，搭一个简单的模型，所以所以也还没仔细分析原因，但是读过的论文里有提到过这个注意事项。
5. 有时候代码运行着运行着就卡机了，咋肥四咧？内存崩了吧！不过用GPU的话，我觉得奥，最好监控GPU的使用情况，终端就能实现：
$watch -n 1 nvidia-smi我设置的是每隔1秒显示一次显存情况，嫌弃太短了把命令中的1改成你想要的就好了。（截图时在跑，100%了
6. 有时候数据集会很大，一次全部加载到内存中会导致崩溃，所以可能需要分开训练。这时候就需要再训练当前子数据集的时候，调用上一批子数据集的权重参数等。咋弄咧？怎样实现断点续训功能咧？
用ModelCheckpoint
首先了解一下ModelCheckpoint：
keras.callbacks.ModelCheckpoint( filepath,
monitor='val_loss',
verbose=0,
save_best_only=False,
save_weights_only=False,
mode='auto',
period=1
)其中，各项参数如下：
- filepath：字符串，保存模型路径
- monitor：要监控的值，val_acc或者val_loss
- verbose：信息展示模式，0是屏蔽，1是打印
- save_best_only：设为True，则保存验证集上性能最好的模型
- save_weights_only：设为True，则只保存模型权重；否则保存整个模型（包括模型结构、配置信息等）
- mode：可以设三种参数“auto”、“min”、“max”，在save_best_only=True时决定性能最佳模型的评判准则，例如，当监测值为val_acc时，模式应为max，当检测值为val_loss时，模式应为min。在auto模式下，评价准则由被监测值的名字自动推断。
- period：Checkpoint之间间隔的epoch数
接下来是代码实现过程：
checkpoint = ModelCheckpoint('{}'.format(model_save_path) + '/{val_loss:.4f}.h5', verbose=1)
history = m.fit(train_img, train_gt, validation_data=(validation_img, validation_gt),
epochs=10, batch_size=1, verbose=1, callbacks=[checkpoint])8. keras模型中处理彩色图片的顺序为：BGR
这里补充一下各种图像库的花边知识：
- 除了opencv读入的彩色图片是以RGB的顺序存储外，其他所有图像库读入彩色图片都以RGB存储
- 除了PIL读入的图片是img类之外，其他库读进来的图片都是numpy矩阵
- 各大图像库的性能，老大哥当属opencv，无论是速度还是图片操作的全面性，都属于碾压的存在，毕竟它是一个巨大的CV专用库
9. 测试阶段的model.predict()，一次只预测一张图，1*224*224*3（自己定的224*224），不能把测试集一下子都扔到predict()一起预测，写个循环，排好队一个一个来。记得加载图片处理数据时减均值。
10. 加载GT时，注意在读取完GT之后，要加一句
f = cv2.cvtColor(f, cv2.COLOR_RGB2GRAY) # 将彩色图变成灰度图完了之后要记得归一化：
f = (f - np.min(f)) / (np.max(f) - np.min(f))