一、前言

經(jīng)過慎重考慮，決定新開一個系列，該系列文章主要的目的就是利用PyTorch、Python實現(xiàn)深度學習中的一些經(jīng)典模型，接下來一段時間的安排如下：

• UNet
• ResNet
• VggNet
• AlexNet

本文首先實現(xiàn)UNet，關(guān)于UNet的詳細介紹請移步深度學習模型解析系列文章–白話詳解UNet

二、網(wǎng)絡(luò)結(jié)構(gòu)詳解

UNet總體上分為編碼器和解碼器，其中編碼器負責提取特征信息，解碼器負責還原特征信息；編碼器主要由4個塊組成，每個塊分別由2個卷積層、1個最大池化層組成。解碼器也是由4個塊組成，每個塊都是由1個上采樣層、2個卷積層組成，詳細信息請見下圖。

三、網(wǎng)絡(luò)組成部分實現(xiàn)

• 第1步：導入需要的包

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

• 第2步：我們需要自定義一個卷積的基礎(chǔ)塊，該基礎(chǔ)塊由2個卷積層組成。

class DoubleConv(nn.Module):"""(convolution => [BN] => ReLU) * 2"""def __init__(self, in_channels, out_channels, mid_channels=None):super().__init__()if not mid_channels:mid_channels = out_channelsself.double_conv = nn.Sequential(nn.Conv2d(in_channels, mid_channels, kernel_size=3, padding=1),nn.BatchNorm2d(mid_channels),nn.ReLU(inplace=True),nn.Conv2d(mid_channels, out_channels, kernel_size=3, padding=1),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True))def forward(self, x):return self.double_conv(x)

• 第3步：我們需要自定義一個編碼器的基礎(chǔ)塊，該塊由1個最大池化層和第2步的卷積基礎(chǔ)塊組成。

class Down(nn.Module):"""Downscaling with maxpool then double conv"""def __init__(self, in_channels, out_channels):super().__init__()self.maxpool_conv = nn.Sequential(nn.MaxPool2d(2),DoubleConv(in_channels, out_channels))def forward(self, x):return self.maxpool_conv(x)

• 第4步：我們需要自定義一個解碼器的基礎(chǔ)塊，該基礎(chǔ)塊由1個上采樣層和2個卷積層組成。

class Up(nn.Module):"""Upscaling then double conv"""def __init__(self, in_channels, out_channels, bilinear=True):super().__init__()# if bilinear, use the normal convolutions to reduce the number of channelsif bilinear:self.up = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True) # 雙線性插值self.conv = DoubleConv(in_channels, out_channels, in_channels // 2)else:self.up = nn.ConvTranspose2d(in_channels, in_channels // 2, kernel_size=2, stride=2) # 轉(zhuǎn)置卷積self.conv = DoubleConv(in_channels, out_channels)def forward(self, x1, x2):x1 = self.up(x1)# input is CHWdiffY = x2.size()[2] - x1.size()[2]diffX = x2.size()[3] - x1.size()[3]x1 = F.pad(x1, [diffX // 2, diffX - diffX // 2,diffY // 2, diffY - diffY // 2])x = torch.cat([x2, x1], dim=1)return self.conv(x)

• 第5步：定義一個最后的輸出層

class OutConv(nn.Module):def __init__(self, in_channels, out_channels):super(OutConv, self).__init__()self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=1)def forward(self, x):return self.conv(x)

四、網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)

• 第1步：我們需要把上述定義的類一股腦的導入到你要定義的網(wǎng)絡(luò)文件中，因為每個人的文件夾不同，這里就不詳細講述。
• 第2步：初始化你的網(wǎng)絡(luò)模型參數(shù)
• 第3步：編寫前向傳播方法

class UNet(nn.Module):def __init__(self, args, n_channels, n_classes, bilinear=True):super(UNet, self).__init__() # 簡單點講：就是子類使用父類的初始化方法進行初始化，這會使得代碼非常的整潔self.n_channels = n_channelsself.n_classes = n_classesself.bilinear = bilinear"""DoubleConv <-> (convolution => [BN] => ReLU) * 2"""self.inc = DoubleConv(n_channels, 64)self.down1 = Down(64, 128)self.down2 = Down(128, 256)self.down3 = Down(256, 512)factor = 2 if bilinear else 1self.down4 = Down(512, 1024 // factor)self.up1 = Up(1024, 512 // factor, bilinear)self.up2 = Up(512, 256 // factor, bilinear)self.up3 = Up(256, 128 // factor, bilinear)self.up4 = Up(128, 64, bilinear)self.outc = OutConv(64, n_classes)def forward(self, x):x1 = self.inc(x)x2 = self.down1(x1)x3 = self.down2(x2)x4 = self.down3(x3)x5 = self.down4(x4)x = self.up1(x5, x4)x = self.up2(x, x3)x = self.up3(x, x2)x = self.up4(x, x1)logits = self.outc(x)return logits

至此，UNet經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)就編寫好了，是不是非常的簡單呢？如果您覺得寫的還不錯，歡迎一鍵三連，這對我真的幫助很大，非常感謝！我也會繼續(xù)努力，提升文章的質(zhì)量與數(shù)量！

總結(jié)

以上是生活随笔為你收集整理的手把手带你撸深度学习经典模型（一）----- UNet的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。