Unet入门总结，2024年最新面试完腾讯我才发现这些知识点竟然没掌握全面了

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

def init(self, in_ch, out_ch):

super(Unet, self).init()

self.conv1 = DoubleConv(in_ch, 64)

self.pool1 = nn.MaxPool2d(2)

self.conv2 = DoubleConv(64, 128)

self.pool2 = nn.MaxPool2d(2)

self.conv3 = DoubleConv(128, 256)

self.pool3 = nn.MaxPool2d(2)

self.conv4 = DoubleConv(256, 512)

self.pool4 = nn.MaxPool2d(2)

self.conv5 = DoubleConv(512, 1024)

逆卷积，也可以使用上采样(保证k=stride,stride即上采样倍数)

self.up6 = nn.ConvTranspose2d(1024, 512, 2, stride=2)

self.conv6 = DoubleConv(1024, 512)

self.up7 = nn.ConvTranspose2d(512, 256, 2, stride=2)

self.conv7 = DoubleConv(512, 256)

self.up8 = nn.ConvTranspose2d(256, 128, 2, stride=2)

self.conv8 = DoubleConv(256, 128)

self.up9 = nn.ConvTranspose2d(128, 64, 2, stride=2)

self.conv9 = DoubleConv(128, 64)

self.conv10 = nn.Conv2d(64, out_ch, 1)

def forward(self, x):

c1 = self.conv1(x)

p1 = self.pool1(c1)

c2 = self.conv2(p1)

p2 = self.pool2(c2)

c3 = self.conv3(p2)

p3 = self.pool3(c3)

c4 = self.conv4(p3)

p4 = self.pool4(c4)

c5 = self.conv5(p4)

up_6 = self.up6(c5)

merge6 = torch.cat([up_6, c4], dim=1)

c6 = self.conv6(merge6)

up_7 = self.up7(c6)

merge7 = torch.cat([up_7, c3], dim=1)

c7 = self.conv7(merge7)

up_8 = self.up8(c7)

merge8 = torch.cat([up_8, c2], dim=1)

c8 = self.conv8(merge8)

up_9 = self.up9(c8)

merge9 = torch.cat([up_9, c1], dim=1)

c9 = self.conv9(merge9)

c10 = self.conv10(c9)

out = nn.Sigmoid()(c10)

return out

Unet代码（Keras）

def unet(pretrained_weights=None, input_size=(256, 256, 3)):

inputs = Input(input_size)

conv1 = Conv2D(64, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(inputs)

conv1 = Conv2D(64, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(conv1)

pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)

conv2 = Conv2D(128, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(pool1)

conv2 = Conv2D(128, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(conv2)

pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)

conv3 = Conv2D(256, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(pool2)

conv3 = Conv2D(256, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(conv3)

pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)

conv4 = Conv2D(512, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(pool3)

conv4 = Conv2D(512, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(conv4)

drop4 = Dropout(0.5)(conv4)

pool4 = MaxPooling2D(pool_size=(2, 2))(drop4)

conv5 = Conv2D(1024, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(pool4)

conv5 = Conv2D(1024, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(conv5)

drop5 = Dropout(0.5)(conv5)

up6 = Conv2D(512, 2, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(

UpSampling2D(size=(2, 2))(drop5))

merge6 = concatenate([drop4, up6], axis=3)

conv6 = Conv2D(512, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(merge6)

conv6 = Conv2D(512, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(conv6)

up7 = Conv2D(256, 2, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(

UpSampling2D(size=(2, 2))(conv6))

merge7 = concatenate([conv3, up7], axis=3)

conv7 = Conv2D(256, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(merge7)

conv7 = Conv2D(256, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(conv7)

up8 = Conv2D(128, 2, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(

UpSampling2D(size=(2, 2))(conv7))

merge8 = concatenate([conv2, up8], axis=3)

conv8 = Conv2D(128, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(merge8)

conv8 = Conv2D(128, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(conv8)

up9 = Conv2D(64, 2, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(

UpSampling2D(size=(2, 2))(conv8))

merge9 = concatenate([conv1, up9], axis=3)

conv9 = Conv2D(64, 3, activation=‘relu’, padding=‘same’, kernel_initializer=‘he_normal’)(merge9)

最后

不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~

给大家准备的学习资料包括但不限于：

Python 环境、pycharm编辑器/永久激活/翻译插件

python 零基础视频教程

Python 界面开发实战教程

Python 爬虫实战教程

Python 数据分析实战教程

python 游戏开发实战教程

Python 电子书100本

Python 学习路线规划

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。*

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）
[外链图片转存中…(img-thmXsddm-1713393628104)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！