unet++实战学习——Ⅱtrain函数代码阅读

相对应pdf也已上传

---

---

main函数

if config['name'] is None:

• 设置网络设备的状态，或是显示目前的设置。

• 将所有参数放到config中

print('%s: %s' % (key, config[key]))

• 将所有参数打印出来

打开models/%s/config.yml

if config['loss'] == 'BCEWithLogitsLoss':

定义损失函数

cudnn.benchmark = True

• 让内置的 cuDNN 的 auto-tuner 自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题。

model = archs.__dict__[config['arch']](config['num_classes'],config['input_channels'],config['deep_supervision'])

创建模型

进入vgg基本计算单元

• 先relu层→卷积层（3个）→batch（middle_channels=32）→卷积层→batch(out_channels=32)

self.conv0_0 = VGGBlock(input_channels, nb_filter[0], nb_filter[0])

• 计算各卷积层数值

• 0_0(32,32,32)

• 1_0(32,64,64)

• 2_0(64,128,128)

• 3_0(128,256,256)

• 4_0(256,512,512)

• 0_1(96,32,32)

• 1_1(192,64,64)

• 2_1(384,128,128)

• 3_1(768,256,256)

• 0_2(128,32,32)

• 1_2(256,64,64)

• 2_2(512,128,128)

• 0_3(160,32,32)

• 1_3(320,64,64)

• 0_4(192,32,32)

if self.deep_supervision:

self.final1 = nn.Conv2d(nb_filter[0], num_classes, kernel_size=1)

• 全监督层

• 若无则为final

elif config['optimizer'] == 'SGD':

• 使用sgd优化器

params = filter(lambda p: p.requires_grad, model.parameters())

• 过滤序列，过滤掉不符合条件的元素，返回由符合条件元素组成的新列表。

• filter(function, iterable)

• 参数

• function -- 判断函数。

• iterable -- 可迭代对象。

返回值

返回列表。

A.Resize(config['input_h'], config['input_w']),

• 将输入图按规定长宽裁减

train_transform = Compose([

• 训练集，数据增强操作

• 随机角度旋转

• 图像翻转

• 执行机率

• A.RandomRotate90(),

• transforms.Flip(),

• OneOf([

• transforms.HueSaturationValue(),

• transforms.RandomBrightness(),

• transforms.RandomContrast(),

• ], p=1)

• A.Resize(config['input_h'], config['input_w']),

• transforms.Normalize(),

val_transform = Compose([

• 验证集

• A.Resize(config['input_h'], config['input_w']),

• transforms.Normalize(),

train_dataset = Dataset(

• 训练集数据设置

• img_ids=train_img_ids,

• img_dir=os.path.join('inputs', config['dataset'], 'images'),

• mask_dir=os.path.join('inputs', config['dataset'], 'masks'),

• img_ext=config['img_ext'],

• mask_ext=config['mask_ext'],

• num_classes=config['num_classes'],

• transform=train_transform)

• 进入dataset.py函数

val_dataset = Dataset(

• 验证集数据设置

• img_ids=val_img_ids,

• img_dir=os.path.join('inputs', config['dataset'], 'images'),

• mask_dir=os.path.join('inputs', config['dataset'], 'masks'),

• img_ext=config['img_ext'],

• mask_ext=config['mask_ext'],

• num_classes=config['num_classes'],

• transform=val_transform)

• 进入dataset.py函数运行

• self.img_ids = img_ids

• self.img_dir = img_dir

• self.mask_dir = mask_dir

• self.img_ext = img_ext

• self.mask_ext = mask_ext

• self.num_classes = num_classes

• self.transform = transform

train_loader = torch.utils.data.DataLoader(

log = OrderedDict([

• 日志

best_iou = 0

trigger = 0

epoch

---

parse_args()函数

parser = argparse.ArgumentParser()

• 创建解释器

• 使用 argparse 的第一步是创建一个 ArgumentParser 对象。

• ArgumentParser 对象包含将命令行解析成 Python 数据类型所需的全部信息。

parser.add_argument( )

• 添加参数

• 给一个 ArgumentParser 添加程序参数信息是通过调用 add_argument() 方法完成的。

• 网络名称=arch+timestamp

• epochs=100

• --batch_size=8

• --arch网络架构-=NestedUNet

• 深度监督--deep_supervision=false

• 输入渠道--input_channels=3

• 数量类别 number of classes=1

• 图像宽度 image width=96

• 图像高度 image height=96

• 损失函数loss = BCEDiceLoss

• 数据设置--dataset=dsb2018_96

• 外部文件图像--img_ext=.png

• 外部文件设置--mask_ext=.png

• 优化器--optimizer=SGD

• 学习率--learning_rate=1e-3

• 动量--momentum=0.9

• 宽度腐蚀量--weight_decay=1e-4

• --nesterov=false

• 调度程序--scheduler=CosineAnneaLingLR

• 最小学习率--min_lr=1e-5

• 倍数--factor=0.1

• 容忍度--patience=2

• 重要事件--milestones=1，2

• --gamma=2/3

• 提前停止--early_stopping=-1

• 网络数量--num_workers=0

config = parser.parse_args()

• 解析参数

• ArgumentParser 通过 parse_args() 方法解析参数。

---

train()函数

avg_meters = {'loss': AverageMeter(),

'iou': AverageMeter()}

• 计算epoch平均损失

model.train()

• 进入model函数

input, target

• 使用前向传播预测值

• 二分类计算损失值

• 计算iou得分

• 梯度清0

• 反向传播

• 记录损失值和iou

• 返回loss和iou的平均损失

进入validate()函数

---

validate()函数

avg_meters = {'loss': AverageMeter(),'iou': AverageMeter()}

• 计算epoch平均损失

model.eval()

• #切换评估模型

if config['deep_supervision']:outputs = model(input)

• 全监督 输出层loss=0

avg_meters