本blog为github上CharlesShang/TFFRCNN
感谢:网上大神---龙哥和杨哥为我释疑解惑！
阅读时间： 2018/7/4
代码位置：E:\TFFRCNN\lib\networks
调用关系：
from .network import Network
代码作用：代码段定义了几个变量的占位符，测试阶段test.py中im_detect函数以feed_dict馈入data等图像信息，层层计算的过程。（根据内部代码）各层计算时首先置空self.inputs输入列表，然后将本层输入feed进来，将本层输出保存在self.layers字典中供下一层取输入数据时使用。
主要函数及作用：
（1）定义了VGGnet_test子类，继承自Network父类（network.py）
需要注意上述几个变量占位符预先定义的维度信息（data等变量维度有待下一步理解，如有读者知晓，请帮帮我，我还没深入去看）
Self.layers字典和self.keep_prob与im_detect函数中sess.run()函数中馈入的feed_dict数据照应。
其中self.inputs[]为各层输入列表，在network.py中装饰器部分有对各层输入如何获取的代码。Self.layers存放各层输出字典，字典中键为层名，如‘conv1_1’，值为各层输出。
（2）以第一层conv1_1为例，描述计算过程 
首先置空self.inputs列表，以本层输入data为例，从self.layers字典中取出data数据添加到self.inputs列表中构成本层输入。返回self，链接上代码下一行.conv（xxx），在network.py中找到conv（）的定义，发现@layer装饰器，用于扩展conv的功能，因此卷积运算不在conv中进行，而是在装饰器（内嵌了conv()函数）中进行
op即为传入各种操作名，比如conv、max_pool;发现这个装饰器上还有一个装饰器，具体作用不太清楚，没去细究（如有了解的读者可以教教我）这里我们主要关注@layer这个装饰器的内部函数执行过程，首先取得name，形如conv1_1、conv1_2，本层输入长度为1，layer_input取得上述输入列表中的值，进行本层的运算，layer_output为本层返回值，将其存入self.layers字典，调用feed方法，置空输入列表，从self.layers中取得下一层输入列表 ，照此循环下去。
注意： 需要预先了解python 装饰器（即定义各层运算时出现的@layer，为了扩充函数功能）、类的继承、类方法、链接调用（各层返回self，下一行直接.xx）、*args形参数量不固定的函数定义方式等python编程知识。
原文：https://www.cnblogs.com/deeplearning1314/p/9265487.html