深度学习基础3------看代码步骤

目录

一、代码的重要部分

二、模型本身

三、训练参数

四、数据加载

1.训练的数据价值

2.预测的数据加载

五、损失函数

六、预测后结果

---

一、代码的重要部分

包括两个部分：训练模型，模型预测。

训练模型--------需要考虑模型本身，训练参数，数据加载与损失函数。

模型预测--------需要考虑模型本身，数据加载，预测后处理。

二、模型本身

一般来讲，模型本身在仓库中的名字是net（网络）或者model（模型）。以UNET为例：在github上找到对应的代码，如下

网络结构的部分就存储在model.py中，基本上网络的组成与构建，都会在这个部分完成。如果想要修改与了解网络结构，一般是在这一部分进行操作。

三、训练参数

训练参数一般伴随着训练文件，因此一般在train.pyh文件里面，每一个库指定参数的方式不同，有些喜欢通过yaml文件指定，有些喜欢通过cfg文件（mmdetection、mmsegmentation）指定，有些甚至通过py文件指定，都不一样，这个需要参考每一个库的组成去分析。但大多数库都可以在train.py文件中找到。

参数一般通过argparse指定。argparse是python自带的命令行参数解析包，可以用来方便地读取命令行参数。

如果对于参数不理解是什么意思的可以自行百度。慢慢成长学习。

四、数据加载

分为两部分：训练的数据加载；预测的数据加载。

1.训练的数据价值

训练的数据加载其实是非常重要的，直接关系到模型的训练，监督模型在训练时加载的数据一般分为两部分，一部分是输入变量，通常是图片；另一部分是标签，在目标检测中就是图片对应的框的坐标，在语义分割中就是每个像素点的种类。

一般来讲，数据加载部分，模型本身在仓库中的名字是data、datasets或者dataloader。
datasets文件通过create_dataloader函数构建文件加载器，然后通过LoadImagesAndLabels这个文件加载器的类来获取图片与标签文件。然后在LoadImagesAndLabels中，算法会进行数据增强、数据预处理等操作，最终返回输入图片与标签。

2.预测的数据加载

预测的数据加载和训练的数据加载相比，少了数据增强与标签处理的部分，因此会相对简单一些，主要是对输入图片进行预处理。
既然是预测部分的数据预处理，需要从预测文件开始寻找。

五、损失函数

一般来讲，损失函数在仓库中的名字是Loss（损失），Loss函数是模型优化的目标，在训练过程中Loss理论上是要被越优化越小的。

一般loss.py在utils文件夹中，要想了解Loss的工作，通常要对损失进行一行、一行的分析

六、预测后结果

预测的后处理主要包括了预测结果的解码与预测图片的可视化。
既然是预测部分的后处理，需要从预测文件开始寻找。