1、preprocess_for_eval()
image預處理
1）tf_image_whitend()
rgb通道分別減去影象集統計的畫素均值。
2）tf_image.resize_image()
影象縮放成(300,300,3)。
2、ssd_net
1)ssdnet()
初始化功能。
定義引數：
feat_layers: 使用定義的feature層提取annochor。
feat_shape: 每層feat_layers的尺寸，開始定義為二維陣列：[feat_w, feat_h]，ssd網路設定完成後，更新為三維：[feat_w, feat_h, num_anchors]；
anchor_size: 每層feat_layers的anchor的個數；
anchor_ratio: 每層feat_layers的anchor的長寬縮放因子序列；
anchor_steps: 每層feat_layers的ancho的滑動步長。
注意：len(feat_layers) == len(feat_shape) == len(anchor_size) == len(anchor_ratio) == len(anchor_steps)。
2) ssd_net.net()
ssd網路定義ssd_net（）。
過程引數定義：
$end_points: 對每一層的網路進行儲存，具體值如下所示：
'block1': shape = (1, 300, 300, 64),
'block2': shape = (1, 150, 150, 128),
'block3': shape = (1, 75, 75, 256),
'block4': shape = (1, 38, 38, 512),
'block5': shape = (1, 19, 19, 512),
'block6': shape = (1, 19, 19, 1024),
'block7': shape = (1, 19, 19, 1024),
'block8': shape = (1, 10, 10, 512),
'block9': shape = (1, 5, 5, 256),
'block10': shape = (1, 1, 1, 256)
$feat_layer: 進行anchor提取的feat_layers。
['block4', 'block7', 'block8', 'block9', 'block10', 'block11']
$函式ssd_multibox_layer()
該函式功能是建立乙個multbox layer，返回classify和localization的**。返回的網路層大小為eg: location->[1, 38, 38, num_anchors, 4(rectangle的座標點)]、prediction: [1, 38, 38, num_anchors, 21(目標的種類)]。
construct a multibox layer , return a class and localization predictions.
輸入引數：
*inputs: 輸入的feat_layer,如;
*num_class: 目標分類的個數，pascal voc2007為21種分類。
*sizes: 為該層的anchor_size[i]。
*raitos: 為改層的anchor_ratio[i] 。
過程值：
*num_anchors=anchor縮放係數個數 x anchor box個數。
每個畫素點的location的總數(num_loc_pre) = num_anchors x 4(四個座標點)；
每個畫素點的object class 總數(num_cls_pred) = num_anchors x num_classes(目標類別總數)。
返回值：
*logits: 類別**[,]
*locations：位置**[,]
最後更新self.param.feat_shapes引數，使其由二維變成三維。
3、ssd_anchor_one_layer()
函式功能：
對於每一層的feat_layers，計算ssd預設的anchor boxes。
輸入引數：
*img_shape: 原始影象的尺寸（eg: [300, 300]）;
*feat_shape: feat_layer的尺寸；
*sizes: anchor box的寬度預定義序列；
*ratios: anchor box的長寬比例因子序列；
*step：滑動步長。
輸出引數：
*y: 每乙個anchor中心點在大圖中的y軸座標（其值為：feat影象上的y軸座標值 * step/原始影象的高度）；
x: 每乙個anchor中心點在大圖中的x軸座標（其值為：feat影象上的x軸座標值 * step/原始影象的高度）；
h: 每乙個anchor的高度，anchor的總數為len(sizes) * len(ratios);
w: 每乙個anchor的寬度，anchor的總數為len(sizes) * len(ratios)。
4、 ssd訓練的loss定義：
正樣本的loss + 負樣本的loss + anchor的loss。
其中：
1)正/負樣本loss
使用tf.nn.sparse_softmax_cross_entropy_with_logits。
2)anchor的loss
使用localisations的groud true和predict 的差值，再求平均值。
SSD原始碼解讀 prior box layer
一直不是很理解檢測結果是怎麼出來的，學習最快的方法就是看原始碼啦，今天先從prior box層開始。這層的作用就是對不同位置的每個特徵點產生不同大小的default box，這些box的大小 形狀由prototxt的prior box param來控制。隨便拿出乙個模型的prior box層來舉例 ...
Fabric 原始碼解析 原始碼目錄解析
這裡對重要的一些目錄進行說明 bccsp 與密碼學 加密 簽名 證書等等 相關的加密服務 將fabric中用到的密碼學相關的函式抽象成了一組介面，便於拓展。bddtests 一種新型的軟體開發模式 行為驅動開 需求 開發 common 一些公共庫 錯誤處理 日誌處理 賬本儲存 策略以及各種工具等等 ...
Spring原始碼解析之 Aop原始碼解析（2）
spring aop 更多的是oop開發模式的乙個補充，幫助oop以更好的方式來解決對於需要解決業務功能模組之上統一管理 的功能 以一副圖來做為aop功能的說明更直觀些。對於類似系統的安全檢查，系統日誌，事務管理等相關功能，物件導向的開發方法並沒有更好的解決方法 aop引入了一些概念。更多的是spr...