Stavba U-Netu: definice vrstev
V tomto a následujícím cvičení sestavíš architekturu U-Net od základů. Začneme definicí metody __init__(), kde určíš jednotlivé vrstvy a bloky vrstev, které model použije.
Kodér a transponovaná konvoluce jsou již připravené. Zbývá doplnit konvoluční bloky dekodéru. Každému z nich musíš předat správný počet vstupních a výstupních kanálů s ohledem na skip connections.
První blok, dec1, dostane na vstup zřetězení výstupu upconv3 s výstupem enc3. Výstup dec1 by pak měl odpovídat výstupu enc3. Dokážeš doplnit všechny chybějící velikosti vstupů a výstupů?
Toto cvičení je součástí kurzu
Deep Learning pro obrázky s PyTorchem
Pokyny k cvičení
- Definuj tři konvoluční bloky dekodéru tak, že každému předáš správný počet vstupních a výstupních kanálů.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
class UNet(nn.Module):
def __init__(self, in_channels, out_channels):
super(UNet, self).__init__()
self.enc1 = self.conv_block(in_channels, 64)
self.enc2 = self.conv_block(64, 128)
self.enc3 = self.conv_block(128, 256)
self.enc4 = self.conv_block(256, 512)
self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
self.upconv3 = nn.ConvTranspose2d(512, 256, kernel_size=2, stride=2)
self.upconv2 = nn.ConvTranspose2d(256, 128, kernel_size=2, stride=2)
self.upconv1 = nn.ConvTranspose2d(128, 64, kernel_size=2, stride=2)
# Define the decoder blocks
self.dec1 = self.conv_block(____, ____)
self.dec2 = self.conv_block(____, ____)
self.dec3 = self.conv_block(____, ____)
self.out = nn.Conv2d(64, out_channels, kernel_size=1)