苏州营销型网站建设哪家好,阜新网站建设单位,怎么创建免费自己的网站平台,页面模板这样选UNet网络制作 代码参考UNet数据集制作及代码实现_哔哩哔哩_bilibili#xff0c;根据该UP主的代码#xff0c;加上我的个人整理和理解。#xff08;这个UP主的代码感觉很好#xff0c;很规范 UNet网络由三部分组成#xff1a;卷积块#xff0c;下采样层#xff0c;上采样…UNet网络制作 代码参考UNet数据集制作及代码实现_哔哩哔哩_bilibili根据该UP主的代码加上我的个人整理和理解。这个UP主的代码感觉很好很规范 UNet网络由三部分组成卷积块下采样层上采样层。
卷积块
UNet网络中卷积块进行了两次卷积。
class Conv_Block(nn.Module):def __init__(self, in_channel, out_channel):super(Conv_Block, self).__init__()self.layer nn.Sequential(# padding_mode reflect 增强特征提取nn.Conv2d(in_channel,out_channel, 3, 1, 1, padding_modereflect, bias False),nn.BatchNorm2d(out_channel), # 二维批归一化层归一化卷积层的输出。用于加速训练和增强模型的泛化能力。nn.Dropout2d(0.3), # 二维随机失活层以概率0.3随机抑制特征用于防止过拟合。nn.LeakyReLU(), # 带有负斜率的修正线性单元激活函数引入非线性变换。nn.Conv2d(out_channel, out_channel, 3, 1, 1, padding_modereflect, bias False),nn.BatchNorm2d(out_channel),nn.Dropout(0.3),nn.LeakyReLU())def forward(self, x):return self.layer(x) 下采样层
UNet网络的下采样层中进行了一次卷积。下采样将图像大小减半通道数不变同时保留更多的重要特征。
class DownSample(nn.Module):def __init__(self, channel):super(DownSample, self).__init__()self.layer nn.Sequential(nn.Conv2d(channel, channel, 3, 2, 1, padding_modereflect, bias False),nn.BatchNorm2d(channel),nn.LeakyReLU())def forward(self, x):return self.layer(x)
上采样层
UNet网络的上采样层中进行了一次卷积操作和双线性插值上采样。卷积用于减低通道数并将其与上一层的特征图进行拼接。用于恢复图像大小同时提取更加精细的特征。
class UpSample(nn.Module):def __init__(self, channel):super(UpSample, self).__init__()self.layer nn.Conv2d(channel, channel // 2, 1, 1)def forward(self, x, feature_map):up F.interpolate(x, scale_factor2, modenearest)out self.layer(up)return torch.cat((out, feature_map), dim 1)
网络模型
UNet网络模型由编码器和解码器两部分组成。编码器包含了四个 Conv_Block 和四个 DownSample 层用于逐步提取图像的高级特征。解码器包含了四个 UpSample 和四个 Conv_Block 层用于通过上采样和特征融合从编码器中恢复图像的细节。最后通过一个卷积层和 Sigmoid 激活函数得到二分类输出用于分割图像。
class UNet(nn.Module):def __init__(self):super(UNet,self).__init__()self.c1 Conv_Block(3, 64)self.d1 DownSample(64)self.c2 Conv_Block(64, 128)self.d2 DownSample(128)self.c3 Conv_Block(128, 256)self.d3 DownSample(256)self.c4 Conv_Block(256,512)self.d4 DownSample(512)self.c5 Conv_Block(512, 1024)self.u1 UpSample(1024)self.c6 Conv_Block(1024, 512)self.u2 UpSample(512)self.c7 Conv_Block(512, 256)self.u3 UpSample(256)self.c8 Conv_Block(256, 128)self.u4 UpSample(128)self.c9 Conv_Block(128, 64)self.out nn.Conv2d(64,3,3,1,1)# 二分类self.Th nn.Sigmoid()def forward(self, x):R1 self.c1(x)R2 self.c2(self.d1(R1))R3 self.c3(self.d2(R2))R4 self.c4(self.d3(R3))R5 self.c5(self.d4(R4))O1 self.c6(self.u1(R5, R4))O2 self.c7(self.u2(O1, R3))O3 self.c8(self.u3(O2, R2))O4 self.c9(self.u4(O3, R1))return self.Th(self.out(O4))
测试
一致则正确。
if __name__ __main__:x torch.randn(2,3,256,256)netUNet()print(net(x).shape)UNet网络训练
