1.导包
import torch
from torch import nn
2.开始搭建
class BasicUNet(nn.Module):
"""一个十分简单的UNet网络部署"""
# in_channels=1 表示输入图像的通道数。通常,灰度图像有一个通道,而彩色图像有三个通道(红、绿、蓝)。
# 这个参数指定了网络模型接受的输入图像的通道数。
# 在这个示例中,设置为1,表示网络期望接收单通道的灰度图像作为输入。
# out_channels=1 表示网络模型的输出通道数。这通常用于指定网络的输出维度。
# 在这个示例中,设置为1,表示网络的输出将是一个单通道的特征图。这意味着网络的目标是生成一个单通道的输出
# 需要了解的术语:
# 上下采样、最大池化、大步幅卷积层、卷积核、向前传播、激活函数、全连接层、残差连接。
# 通道数、神经元、跳跃连接。
def __init__(self, in_channels=1, out_channels=1):
super().__init__()
self.down_layers = torch.nn.ModuleList([
nn.Conv2d(in_channels, 32, kernel_size=5, padding=2),
nn.Conv2d(32, 64, kernel_size=5, padding=2),
nn.Conv2d(64, 64, kernel_size=5, padding=2),
])
self.up_layers = torch.nn.ModuleList([
nn.Conv2d(64, 64, kernel_size=5, padding=2),
nn.Conv2d(64, 32, kernel_size=5, padding=2),
nn.Conv2d(32, out_channels, kernel_size=5, padding=2),
])
# self.act = nn.n()
self.act = nn.ReLU()
# 定义一个激活函数
self.downscale = nn.MaxPool2d(2)
# 定义一个下采样最大池化层
self.upscale = nn.Upsample(scale_factor=2)
# 上采样图像,将输入数据的尺寸沿两个维度分别放大两倍。
3.定义向前传播的过程
def forward(self, _x):
h = []
for i, l in enumerate(self.down_layers):
# enumerate 是一个 Python 内置函数,
# 用于迭代遍历可迭代对象(如列表、元组、字符串等)的元素,并在迭代过程中返回元素的索引和值。
# 它会遍历 self.down_layers 中的每个元素。
# 在每次迭代中,i 将被赋值为当前元素的索引,l 将被赋值为当前元素本身(即神经网络层)
# self.down_layers 是一个 PyTorch 模型中的 ModuleList,
# 它包含了一系列的神经网络层(在这个代码中是卷积层)。这些层按顺序存储在列表中。
_x = self.act(l(_x)) # 通过运算层与激活函数
# 将输入 _x 通过卷积层 l 进行卷积运算,然后应用激活函数 self.act,
# 最后将结果赋值给 _x,以便在网络的下一层继续处理。
# 这是神经网络中典型的前向传播操作,用于逐层处理输入数据,提取特征并引入非线性。
if i < 2: # 选择第一、第二层
h.append(_x) # 排列供残差连接使用的数据 分别是32通道时的数据和64通道时的数据
_x = self.downscale(_x) # 进行下采样以适配下一层的输入 降低图片的分辨率
for i, l in enumerate(self.up_layers):
if i > 0: # 选择第二第三层
_x = self.upscale(_x) # 上采样 提升图像的分辨率
_x += h.pop() # 得到之前排列好的供残差连接使用的数据
# Python 中列表(list)的方法,用于移除并返回列表的最后一个元素
_x = self.act(l(_x)) # 通过运算层与激活函数 通道数可能会发生改变
return _x
# 在UNet网络的第三层下采样和第一层上采样中,通道数保持不变并且图片分辨率没有改变,
# 这样做的主要目的是为了实现跳跃连接(skip connection)或残差连接(residual connection),
# 以便更好地传递信息和梯度。
4.验证结果与预期是否相符
net = BasicUNet()
x = torch.rand(8, 1, 28, 28)
# net(x).shape
print(net(x).shape)
print(sum([p.numel() for p in net.parameters()]))
# 最终,输出的结果与预期那样,与输入的形状相同。
# torch.Size([8, 1, 28, 28])
# 我们所构建的UNet网络30多万个参数
# 309057
5.完整示例
import torch
# import torchvision
from torch import nn
# from torch.nn import functional as F
# from torch.utils.data import DataLoader
# from diffusers import DDPMScheduler, UNet2DModel
# from matplotlib import pyplot as plt
class BasicUNet(nn.Module):
"""一个十分简单的UNet网络部署"""
# in_channels=1 表示输入图像的通道数。通常,灰度图像有一个通道,而彩色图像有三个通道(红、绿、蓝)。
# 这个参数指定了网络模型接受的输入图像的通道数。
# 在这个示例中,设置为1,表示网络期望接收单通道的灰度图像作为输入。
# out_channels=1 表示网络模型的输出通道数。这通常用于指定网络的输出维度。
# 在这个示例中,设置为1,表示网络的输出将是一个单通道的特征图。这意味着网络的目标是生成一个单通道的输出
# 需要了解的术语:
# 上下采样、最大池化、大步幅卷积层、卷积核、向前传播、激活函数、全连接层、残差连接。
# 通道数、神经元、跳跃连接。
def __init__(self, in_channels=1, out_channels=1):
super().__init__()
self.down_layers = torch.nn.ModuleList([
nn.Conv2d(in_channels, 32, kernel_size=5, padding=2),
nn.Conv2d(32, 64, kernel_size=5, padding=2),
nn.Conv2d(64, 64, kernel_size=5, padding=2),
])
self.up_layers = torch.nn.ModuleList([
nn.Conv2d(64, 64, kernel_size=5, padding=2),
nn.Conv2d(64, 32, kernel_size=5, padding=2),
nn.Conv2d(32, out_channels, kernel_size=5, padding=2),
])
# self.act = nn.n()
self.act = nn.ReLU()
# 定义一个激活函数
self.downscale = nn.MaxPool2d(2)
# 定义一个下采样最大池化层
self.upscale = nn.Upsample(scale_factor=2)
# 上采样图像,将输入数据的尺寸沿两个维度分别放大两倍。
def forward(self, _x):
h = []
for i, l in enumerate(self.down_layers):
# enumerate 是一个 Python 内置函数,
# 用于迭代遍历可迭代对象(如列表、元组、字符串等)的元素,并在迭代过程中返回元素的索引和值。
# 它会遍历 self.down_layers 中的每个元素。
# 在每次迭代中,i 将被赋值为当前元素的索引,l 将被赋值为当前元素本身(即神经网络层)
# self.down_layers 是一个 PyTorch 模型中的 ModuleList,
# 它包含了一系列的神经网络层(在这个代码中是卷积层)。这些层按顺序存储在列表中。
_x = self.act(l(_x)) # 通过运算层与激活函数
# 将输入 _x 通过卷积层 l 进行卷积运算,然后应用激活函数 self.act,
# 最后将结果赋值给 _x,以便在网络的下一层继续处理。
# 这是神经网络中典型的前向传播操作,用于逐层处理输入数据,提取特征并引入非线性。
if i < 2: # 选择第一、第二层
h.append(_x) # 排列供残差连接使用的数据 分别是32通道时的数据和64通道时的数据
_x = self.downscale(_x) # 进行下采样以适配下一层的输入 降低图片的分辨率
for i, l in enumerate(self.up_layers):
if i > 0: # 选择第二第三层
_x = self.upscale(_x) # 上采样 提升图像的分辨率
_x += h.pop() # 得到之前排列好的供残差连接使用的数据
# Python 中列表(list)的方法,用于移除并返回列表的最后一个元素
_x = self.act(l(_x)) # 通过运算层与激活函数 通道数可能会发生改变
return _x
# 在UNet网络的第三层下采样和第一层上采样中,通道数保持不变并且图片分辨率没有改变,
# 这样做的主要目的是为了实现跳跃连接(skip connection)或残差连接(residual connection),
# 以便更好地传递信息和梯度。
net = BasicUNet()
x = torch.rand(8, 1, 28, 28)
# net(x).shape
print(net(x).shape)
print(sum([p.numel() for p in net.parameters()]))
# 最终,输出的结果与预期那样,与输入的形状相同。
# torch.Size([8, 1, 28, 28])
# 我们所构建的UNet网络30多万个参数
# 309057