Date: 2020-06-04
Author: CW
前言：
有了该系列前面几篇的内容作为铺垫，是时候“行动”起来了！只有将模型成功训练出好的效果，才能证明算法是正确的。当然，训练过程中使用到的参数需要各人根据自己的环境去调整，这也是我们为何常说这是在“炼丹”了，因为通常都不可能把别人的代码copy下来就能成功跑出很好的效果。
如题，本文就模型训练部分的代码进行解析，在训练过程中，每隔一定周期就会在验证集上的进行评估，若相比于之前的训练结果更优，则保存下模型的权重。
全局变量与参数设定
下图中的参数可根据各人环境自行更改。
红框中的3个参数比较重要。iou_thresh代表预测框与gt的IoU超过多少时，就被认为预测正确；nms_thresh是指在生成预测框的后处理中，相互之间的IoU超过多少就会被抑制掉（NMS中的IoU阀值）；score_thresh代表在像素点位置预测得到的score超过多少，这个像素点回归出来的预测框才会被认为是正例。
训练过程
先快速浏览下训练过程中的一些“套路”部分，即数据读取、模型加载、loss与优化器的设定、学习率的设置及其策略的定制等..
接下来开始进入训练迭代部分，对于下图的 gt_score、gt_geo 以及 ignored_map，如果不清楚它们的形式的话可以参考下该系列的第一篇文：EAST 算法超详细源码解析（一）、数据预处理与标签生成
然后是前向反馈以及对gt和对应预测结果的可视化。
对以下 d map 和 angle map 的可视化操作简单说明下。
这里对图像的可视化用到tensorboardX的add_image方法，而该方法要求图像是归一化的，因此需要对 d map 和 angle map 进行归一化处理，这个步骤可放在make_grid方法进行，这个方法是将一个batch的图像排列成网格展示，可以设置每行多少格（即展示多少张图，下图中的nrow参）；而 range 参数相信大家也猜到它是干嘛的了，也就是归一化前变量值的取值范围，用于将变量归一化到 [0,1] 区间。
下一步就是loss的计算和反向传播更新权重了。
在loss计算这里，将angle loss的权重设为10，因为根据实践发现，angle loss的数量级通常比iou loss 和 classify loss小一些，想想也合理，因为在生活场景中，大部分文本框还是水平正置的，观察数据集的话也能了解到这一点。
如果对loss计算不清楚的可以参考该系列的第四篇文：EAST 算法超详细源码解析（四）、损失函数
另外，有一点也需要注意下，就是在反向传播更新了权重后，进行下一轮计算时别忘记先把当前的梯度清空，避免梯度积累。
然后，统计loss、打印loss相关的输出并且添加到tensorboardX的可视化中。
之后，每隔一定周期就在验证集上进行评估，评估的指标如前一篇文：EAST 算法超详细源码解析（五）、评估验证 所述，使用 F1-Score，同时将评估结果加入可视化视图。另外，每次评估时都会和之前获取的最优性能比较，若当前的较优，则更新这个最优值并且保存权重。
每个周期结束后，根据制定的学习率策略，更新下学习率。
最后，当训练结束时，关闭下打开的tensorboardX的SummaryWriter。
在验证集上进行评估
这部分的流程和训练部分的套路类似，需要注意的是要将模型权重固定住（model.eval()）以及在计算过程中不产生梯度的传播（torch.no_grad）。
在这里，需要对每个batch的gt以及预测结果进行一些处理。对于gt，我们要将无效的筛除，根据labels的值处理即可，labels是在gt生成时预处理的；另外，模型输出的是score map 和 geo map，结合预设的score阀值和nms阀值，我们需要将其转换成预测框，get_boxes方法是在推断部分实现的，参考该系列的第二篇文：EAST 算法超详细源码解析（二）、模型推断与测试结果生成
下图中evaluate_method即计算F1-Score，在上一篇文中有解析。
最后统计计算结果并返回。
大结局
至此，EAST源码解析系列就迎来大结局了，这里附上该系列的其余篇幅：
最后，感谢阅读过里面每一字每一码的你们！（完结撒花~）
