1. Johngo学长首页
  2. 技术点详细复盘专题
  3. 人工智能

pytorch快速入门与实战——三、Unet实现

• 人工智能 • 阅读 62

专栏目录：pytorch（图像分割UNet）快速入门与实战——零、前言
pytorch快速入门与实战——一、知识准备（要素简介）
pytorch快速入门与实战——二、深度学习经典网络发展
pytorch快速入门与实战——三、Unet实现
pytorch快速入门与实战——四、网络训练与测试

续上文pytorch快速入门与实战——二、深度学习经典网络发展的8.4章节

Unet实现

1 前期准备

1.1 torch安装

pytorch安装自行解决

1.2 数据集准备

我的是自己模拟的数据，所有数据一共是1600对(inputs,labels)，训练集与测试集是9:1抽取的。
我的输入大小为120240，label大小为256256.

1.3 网络结构骨架

backbone是Unet，根据自己需求再变。不是改自己网络，而是自己加个卷积适应自己的输入输出。
先down一个基础的Unet图。基于此来修改。

pytorch快速入门与实战——三、Unet实现

; 1.4 数据分析、完善网络

【具体的size和channel没所谓的，都是可以直接设置的，怎么设置在实现里面说，这里只说流程】
图中input的size是572x572x1，而我的size是120x240x1，我选择在Unet之前加一个卷积层以让我的输入成为方形120x120x1，为了后续计算方便，通过padding（直接padding或者通过卷积都可以）变成128x128x1。接下来就是常规Unet操作，所以我的网络结构图为：

pytorch快速入门与实战——三、Unet实现
可以看到整个变化过程： 具体如何变在实现中说明（一张破图一下午，骂骂咧咧ing） 
120x240x1--卷积-->120x120x1--卷积-->128x128x1--卷积-->128x128x32
--池化-->64x64x32--卷积-->64x64x64
--池化-->32x32x64--卷积-->32x32x128
--池化-->16x16x128--卷积-->16x16x256
--池化-->8x8x256--卷积-->8x8x512--上采样-->16x16x256
--通道拼接-->16x16x512--反卷积-->16x16x256--上采样-->32x32x128
--通道拼接-->32x32x256--反卷积-->32x32x128--上采样-->64x64x64
--通道拼接-->64x64x128--反卷积-->64x64x64--上采样-->128x128x32
--通道拼接-->128x128x64--反卷积-->128x128x32--上采样-->256x256x16
（注意我左边是128开始的，所以没法拼接了，网络结构并不是严格对称的）
--1x1卷积核代替全连接-->256x256x1

2.网络实现

2.1 相关知识

  1. 首先我们要知道卷积的计算公式：

O = (I − K + 2P )/S+1
O（output）是输出图像、I（input）为原始图像、K（kernel）为卷积核尺寸、P为padding、S（stride）是步长

  1. 以及反卷积的计算公式：

output = (input-1)stride+output_padding -2padding+kernel_size
O = (I-1)S + OP – 2P + K
O（output）是输出图像、I（input）为原始图像、K（kernel）为卷积核尺寸、P为padding、S（stride）是步长，OP为output_padding

  1. 通道channel

说一下我的理解：

现实意义上是特征（我用分类来举例子：比如西瓜的根蒂，颜色，花纹等）
在图片中，色彩是一种特征，但特征不只是色彩。
比如我的灰度图，那channel就是1，如果是其他彩色图（RGB，BGR，CMY）的channel都是3
那可能就要问了，那图中channel为64，难道是64种色彩？
参照上面那句话”特征不只是色彩”，其他特征，我也不懂，猜测是分布什么的吧。

2.2 代码实现：

emmmm还是由浅入深地讲解吧：网络的整体代码放在文章最后。
首先导入torch包：

import torch
import torch.nn as nn

然后设计我的网络AdUNet，编写成类，该类继承nn.module。
主要重写两个方法： 初始化__init__和 参数回传forward

在此之前，为了提高代码复用性，将 重复出现的双层卷积设计成一个函数，方便代码复用：

pytorch快速入门与实战——三、Unet实现 
def double_conv(in_channels, out_channels):
    return nn.Sequential(
        nn.Conv2d(in_channels, out_channels, 3, padding=1),
        nn.BatchNorm2d(out_channels),
        nn.ReLU(inplace=True),
        nn.Conv2d(out_channels, out_channels, 3, padding=1),
        nn.BatchNorm2d(out_channels),
        nn.ReLU(inplace=True)
    )

OK，开始。

2.2.1 初始化方法__init__()：

  1. 输入适配层
    首先自主设计让输入适应网络的卷积层adnet放入网络AdUNet的类里， 将输入1x120x240卷积为方形1x120x120，利用pytorch自带的卷积核方法 Conv2d来实现：
    pytorch快速入门与实战——三、Unet实现

设置输入的通道in_channels和输出的通道out_channels，选择2×1的卷积核，padding设为0，步长设置为(2,1)即行方向上步长为2，列方向上步长为1。这样设置步长才能让行方向的size缩小一倍。 size调整为120×120
然后再绑定一个BN层和ReLu层，作用与原因参照上一篇文章。
然后再用一个padding=5的3×3卷积核将size 从120×120调整为128×128

self.adnet = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=1, kernel_size=(2, 1), padding=0, stride=(2, 1)),
            nn.BatchNorm2d(1),
            nn.ReLU(inplace=True),
            nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, padding=5, stride=1),
            nn.BatchNorm2d(1),
            nn.ReLU(inplace=True)
        )
  1. 4个下采样时的卷积层+一个底层的卷积层
    pytorch快速入门与实战——三、Unet实现
        self.dconv_down0 = double_conv(1, 32)
        self.dconv_down1 = double_conv(32, 64)
        self.dconv_down2 = double_conv(64, 128)
        self.dconv_down3 = double_conv(128, 256)
        self.dconv_down4 = double_conv(256, 512)
  1. 最大池化层
    pytorch快速入门与实战——三、Unet实现
self.maxpool = nn.MaxPool2d(2)
  1. 4个上采样时的卷积层
    pytorch快速入门与实战——三、Unet实现
    pytorch快速入门与实战——三、Unet实现
    pytorch快速入门与实战——三、Unet实现
    pytorch快速入门与实战——三、Unet实现
        self.dconv_up3 = double_conv(256 + 256, 256)
        self.dconv_up2 = double_conv(128 + 128, 128)
        self.dconv_up1 = double_conv(64 + 64, 64)
        self.dconv_up0 = double_conv(64, 32)
  1. 5个上采样
    pytorch快速入门与实战——三、Unet实现
        self.upsample4 = nn.ConvTranspose2d(512, 256, 3, stride=2, padding=1, output_padding=1)
        self.upsample3 = nn.ConvTranspose2d(256, 128, 3, stride=2, padding=1, output_padding=1)
        self.upsample2 = nn.ConvTranspose2d(128, 64, 3, stride=2, padding=1, output_padding=1)
        self.upsample1 = nn.ConvTranspose2d(64, 32, 3, stride=2, padding=1, output_padding=1)
        self.upsample0 = nn.ConvTranspose2d(32, 16, 3, stride=2, padding=1, output_padding=1)
  1. 代替全连接层的1×1卷积层
    pytorch快速入门与实战——三、Unet实现
        self.conv_last = nn.Conv2d(16, 1, 1)

2.2.2 参数回传方法forward()：

按照上图的网络结构将他们拼接起来！就OK了！
哦对，别忘了concat。
为什么不把下采样和上采样的那个重复模块写在一起呢？就是因为我不想传参，因为前面下采样的时候要在pool池之前保留值留给上采样的时候concat，所以就单独写了。concat操作也简单，看看代码就懂了，没什么难点。

    def forward(self, x):

        x = self.adnet(x)

        conv0 = self.dconv_down0(x)
        x = self.maxpool(conv0)

        conv1 = self.dconv_down1(x)
        x = self.maxpool(conv1)

        conv2 = self.dconv_down2(x)
        x = self.maxpool(conv2)

        conv3 = self.dconv_down3(x)
        x = self.maxpool(conv3)

        x = self.dconv_down4(x)

        x = self.upsample4(x)

        x = torch.cat([x, conv3], dim=1)

        x = self.dconv_up3(x)
        x = self.upsample3(x)
        x = torch.cat([x, conv2], dim=1)

        x = self.dconv_up2(x)
        x = self.upsample2(x)
        x = torch.cat([x, conv1], dim=1)

        x = self.dconv_up1(x)
        x = self.upsample1(x)
        x = torch.cat([x, conv0], dim=1)

        x = self.dconv_up0(x)
        x = self.upsample0(x)

        out = self.conv_last(x)

        return out

2.2.3 语义分割实现流程

很遗憾地说，网络的结构虽然实现了，但是距离我们的目标还有一些路，但是还好，这个网络是确确实实可以用的，只要加载数据训练就可以得出结果，甚至可以随机生成一些矩阵当做图像来进行训练。
这里简单说一下流程，预感细节不少，详细实现下篇再说：pytorch快速入门与实战——四、网络训练与测试
训练：

根据batch size大小，将数据集中的训练样本和标签读入卷积神经网络。根据实际需要，应先对训练图片及标签进行预处理，如裁剪、数据增强等。这有利于深层网络的的训练，加速收敛过程，同时也避免过拟合问题并增强了模型的泛化能力。

验证：

训练一个epoch结束后，将数据集中的验证样本和标签读入卷积神经网络，并载入训练权重。根据编写好的语义分割指标进行验证，得到当前训练过程中的指标分数，保存对应权重。常用一次训练一次验证的方法更好的监督模型表现。

测试：

所有训练结束后，将数据集中的测试样本和标签读入卷积神经网络，并将保存的最好权重值载入模型，进行测试。 测试结果分为两种，一种是根据常用指标分数衡量网络性能，另一种是将网络的预测结果以 图片的形式保存下来，直观感受分割的精确程度。

2.2.4 整合！（网络完整代码）

import torch
import torch.nn as nn

def double_conv(in_channels, out_channels):
    return nn.Sequential(
        nn.Conv2d(in_channels, out_channels, 3, padding=1),
        nn.BatchNorm2d(out_channels),
        nn.ReLU(inplace=True),
        nn.Conv2d(out_channels, out_channels, 3, padding=1),
        nn.BatchNorm2d(out_channels),
        nn.ReLU(inplace=True)
    )

class AdUNet(nn.Module):

    def __init__(self):
        super().__init__()

        self.adnet = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=1, kernel_size=(2, 1), padding=0, stride=(2, 1)),
            nn.BatchNorm2d(1),
            nn.ReLU(inplace=True),
            nn.Conv2d(1, 1, kernel_size=3, padding=5, stride=1),
            nn.BatchNorm2d(1),
            nn.ReLU(inplace=True)
        )

        self.dconv_down0 = double_conv(1, 32)
        self.dconv_down1 = double_conv(32, 64)
        self.dconv_down2 = double_conv(64, 128)
        self.dconv_down3 = double_conv(128, 256)
        self.dconv_down4 = double_conv(256, 512)

        self.maxpool = nn.MaxPool2d(2)

        self.upsample4 = nn.ConvTranspose2d(512, 256, 3, stride=2, padding=1, output_padding=1)
        self.upsample3 = nn.ConvTranspose2d(256, 128, 3, stride=2, padding=1, output_padding=1)
        self.upsample2 = nn.ConvTranspose2d(128, 64, 3, stride=2, padding=1, output_padding=1)
        self.upsample1 = nn.ConvTranspose2d(64, 32, 3, stride=2, padding=1, output_padding=1)
        self.upsample0 = nn.ConvTranspose2d(32, 16, 3, stride=2, padding=1, output_padding=1)

        self.dconv_up3 = double_conv(256 + 256, 256)
        self.dconv_up2 = double_conv(128 + 128, 128)
        self.dconv_up1 = double_conv(64 + 64, 64)
        self.dconv_up0 = double_conv(64, 32)

        self.conv_last = nn.Conv2d(16, 1, 1)

    def forward(self, x):

        x = self.adnet(x)

        conv0 = self.dconv_down0(x)
        x = self.maxpool(conv0)

        conv1 = self.dconv_down1(x)
        x = self.maxpool(conv1)

        conv2 = self.dconv_down2(x)
        x = self.maxpool(conv2)

        conv3 = self.dconv_down3(x)
        x = self.maxpool(conv3)

        x = self.dconv_down4(x)

        x = self.upsample4(x)

        x = torch.cat([x, conv3], dim=1)

        x = self.dconv_up3(x)
        x = self.upsample3(x)
        x = torch.cat([x, conv2], dim=1)

        x = self.dconv_up2(x)
        x = self.upsample2(x)
        x = torch.cat([x, conv1], dim=1)

        x = self.dconv_up1(x)
        x = self.upsample1(x)
        x = torch.cat([x, conv0], dim=1)

        x = self.dconv_up0(x)
        x = self.upsample0(x)

        out = self.conv_last(x)

        return out

Original: https://blog.csdn.net/weixin_43938876/article/details/123406484
Author: 无衣°
Title: pytorch快速入门与实战——三、Unet实现

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/707192/

转载文章受原作者版权保护。转载请注明原作者出处！

赞 (0)
0

【自取】最近整理的，有需要可以领取学习：



Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言 刷题答案下载！

大家都在看

亲爱的 Coder【最近整理，可免费获取】👉 最新必读书单  | 👏 面试题下载  | 🌎 免费的AI知识星球