Aufbau eines U-Net: Vorwärtsmethode
Nachdem die Encoder- und Decoder-Schichten definiert sind, kannst du jetzt die Methode „ forward() “ des U-Netzwerks implementieren. Die Eingaben sind schon für dich durch den Encoder gelaufen. Allerdings musst du den letzten Decoder-Block noch festlegen.
Der Decoder soll die Feature-Maps hochskalieren, damit die Ausgabe die gleiche Höhe und Breite wie das Eingabebild von U-Net hat. Damit kannst du semantische Masken auf Pixelebene erstellen.
Diese Übung ist Teil des Kurses
Deep Learning für Bilder mit PyTorch
Anleitung zur Übung
- Definiere den letzten Decoder-Block und benutze dabei „
torch.cat()“, um die Skip-Verbindung zu bilden.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
def forward(self, x):
x1 = self.enc1(x)
x2 = self.enc2(self.pool(x1))
x3 = self.enc3(self.pool(x2))
x4 = self.enc4(self.pool(x3))
x = self.upconv3(x4)
x = torch.cat([x, x3], dim=1)
x = self.dec1(x)
x = self.upconv2(x)
x = torch.cat([x, x2], dim=1)
x = self.dec2(x)
# Define the last decoder block with skip connections
x = ____
x = ____
x = ____
return self.out(x)