这几天在看Spatial Transformer Networks 空间变换网络，该网络的结构图如下所示，STN由三部分组成：分别为localization network，grid generator 和 bilinear sampler组成。
其中U和V分别为输入/输出图片（也可以是feature map）
Localization network: 局部网络，一般由全连接或者卷积神经网络加上回归层构成，输入为U, 输出为空间变换矩阵θ，如果是仿射变换，就是6个神经元，如果是射影变换就是8个神经元，可以参考这两篇博客：Creating a Gallery of Transformed Images以及图像的等距变换，相似变换，仿射变换，射影变换及其matlab实现。
grid generator：通过下面的变换，利用空间变换矩阵θ 在输入特征图上产生输出特征图像素应该被采样的坐标点。
bilinear sampler：在输入特征图上，结合上一步产生的坐标，在对应位置进行双线性插值，得到输出特征图对应点的像素值！
下面是STN的TensorFlow版本实现，这里简单记录一下编译的过程：
1、下载 mnist_cluttered_60x60_6distortions.npz 数据集，放在data目录下;
2、在utils文件夹下创建 __init__.py文件(空文件)即可，这样就将utils文件夹变成了Python模块，否则会提醒找不到 data_utils一系列模块。
3、修改main.py中root_dir、logs_dir、save_dir 和 vis_path的路径；
4、在终端下进入工程：命令行输入python main.py 回车，程序开始运行。这时打开utils文件夹，会看到生成了4个对应的 .pyc文件。
5、如果是在GPU上运行代码，可能还会出现显示的问题如下：同样在main.py文件import matplotlib.pyplot as plt 后边添加 plt.switch_backend(‘agg’)即可。
6、用tensorboard进行可视化，将日志的地址指向程序日志输出的地址（/spatial_transformer_network/logs），进入工程目录如下输入命令：
可以看到服务器端口6006已经在使用中，所以使用其它端口，复制 http://0.0.0.0:7001 到浏览器，就可以看到可视化图表了：
点击进入GRAPHS栏，可以看到上面程序TensorFlow计算图的可视化结果。
7、程序运行结束后，可以看到生成了对应的文件：
8、最后对第一下CPU和GPU的运行速度：可以看到两个速度差了6倍左右！
PS: 不知道是不是由于编辑器的问题，我的代码在终端可以训练，但是在本地不能单步调试，进入不了主函数。因为在调试过程中发现__name__ = {str}'main'，和平常的类型不一致（__name__ = {str}'__main__'），最后将 if__name__ =='__main__': 修改为：if __name__ == 'main': 就可以了。
简单记录一下，防止日后忘了，现在我要去分析结果啦！
