分析代码（ALL in one underwater）

第一部分：models
networks.py
1.return input.view(input.size(0), -1)代表的是将第二次卷积的输出拉伸为一行
2.UNetEncoder(nn.Module):
（1）U-Net 也是一种基于 FCN 方法的语义分割网络，在原始的 FCN 网络结构中，已经发现了底层特征对于识别物体的边缘是很有用的，因此提出了 FCN-16s 和 FCN-8s 两种结合了底层特征信息的网络结构。
在 U-Net 网络中，通过跳跃连接的方式，直接把底层特征和高层特征结合，从而实现精确的像素分类。特征的结合用的是级联的方式。
（2）网络的前半部分对图片进行特征提取，图片尺寸的变化是由步长为 2 maxpooling 实现的。前半部分的网络和许多分类网络的结构是相同的，因此可以用训练好的网络来进行 finetune。
网络的后半部分对输入进行上采样，上采样有两种方式：插值 or 转置卷积。上采样之后还要进行卷积。
3.self.classifier = nn.Sequential：生成一个分类器
nn.Conv2d(512, 256, 4, stride=2, padding=1),
512：input_channels ,256:output_channels;4：kernel_size;
nn.BatchNorm2d(256): #BatchNorm2d最常用于卷积网络中(防止梯度消失或爆炸)，设置的参数就是卷积的输出通道数
nn.Dropout(0.3)：为了防止或减轻过拟合而使用的函数
第二部分unet_parts.py
1.forward函数在pytorch中意思是前向传播函数
2.