神经网络学习（九）Unet，详解

import torch
from torch import nn
from torch.nn import functional as F

class Conv_Block(nn.Module):
    def __init__(self,in_channel,out_channel):
        super(Conv_Block, self).__init__()
        self.layer=nn.Sequential(
            nn.Conv2d(in_channel,out_channel,3,1,1,padding_mode='reflect',bias=False),
            nn.BatchNorm2d(out_channel),
            nn.Dropout2d(0.3),
            nn.LeakyReLU(),
            nn.Conv2d(out_channel, out_channel, 3, 1, 1, padding_mode='reflect', bias=False),
            nn.BatchNorm2d(out_channel),
            nn.Dropout2d(0.3),
            nn.LeakyReLU()
        )
    def forward(self,x):
        return self.layer(x)


class DownSample(nn.Module):
    def __init__(self,channel):
        super(DownSample, self).__init__()
        self.layer=nn.Sequential(
            nn.MaxPool2d(2),
            nn.Conv2d(channel,channel,3,1,1,padding_mode='reflect',bias=False),
            nn.BatchNorm2d(channel),
            nn.LeakyReLU()
        )
    def forward(self,x):
        return self.layer(x)


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_factor=2,mode='nearest')#也可以使bilinear
        out=self.layer(up)
        return torch.cat((out,feature_map),dim=1)


class UNet(nn.Module):
    def __init__(self,num_classes):
        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,num_classes,3,1,1)

    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.out(O4)

if __name__ == '__main__':
    x=torch.randn(2,3,256,256)
    net=UNet()
    print(net(x).shape)

DownSample模块是一个下采样模块(max pool)，UpSample模块是一个上采样模块(up conv)。

其中UpSample模块使用双线性插值法的结果

UpSample模块使用邻近0插值法的结果

DownSample包括max pool+2次的conv，

UpSample模块 包括

up=F.interpolate(x,scale_factor=2,mode='nearest')就是上采样插值扩张

然后就是conv卷积

Conv_Block层次 卷积层（2次的conv）

1. nn.Conv2d(in_channel,out_channel,3,1,1,padding_mode=‘reflect’,bias=False)：这是一个卷积层，其中in_channel表示输入图像的通道数，out_channel表示输出图像的通道数，3表示卷积核的大小为3*3，1表示步长为1，padding_mode='reflect’表示使用反射填充，即在边缘处进行填充，bias=False表示不使用偏置。
2. nn.BatchNorm2d(out_channel)：这是一个批标准化层，用于规范化每个输出通道的均值和方差，加快网络收敛速度。
3. nn.Dropout2d(0.3)：这是一个dropout层，用于防止过拟合，其中0.3表示随机失活的比例。
4. nn.LeakyReLU()：这是一个激活函数，用于提高网络的非线性拟合能力，其具体函数为f(x)=max(ax,x)，其中a为负斜率系数。

欧克，