unet 学习笔记2神经网络结构

一个神经网络模型都是基于nn.module
不同的模型无非就是conv maxpool drop等设置的顺序层数等不同。
unet 先下采样再上采样，上下采样中包括卷积等

具体的代码编写注意的知识点：
1、卷积模块
需要注意的是卷积模块是有输入输出通道区别的，所以在初始化的时候需传入在这两个参数？，super继承类名，初始化（)
sequential是一个容器，可以将多个nn 集成到一起作为一层，分别依次执行这层所有的，convd2d中（意思分别为输入输出通道，几称几卷积，步长，填充方式（reflect的意思就是将图里的特征像素进行填充而不是空洞填充，更利于学习特征），偏置是否（不偏置就是batchnorm））

2、下采样模块
下采样不改变通道数
因为利用池化会丢太多信息，所以在这里，用卷积层来代替，实际是用池化

上采样
torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode=‘nearest’, align_corners=None, recompute_scale_factor=None)
利用插值方法，对输入的张量数组进行上\下采样操作，换句话说就是科学合理地改变数组的尺寸大小，尽量保持数据完整。
输入：
F.interpolate——数组采样操作
定义完每一小部分，再定义net网络，把他组合起来，其中注意里面的维数，以及先self，再forward

lass 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