Costruire una U-Net: definizione dei livelli
In questo e nel prossimo esercizio, costruirai da zero un'architettura U-Net. Qui inizi definendo il metodo __init__() in cui imposterai i livelli e i blocchi di livelli che il modello userà.
L’encoder e le convoluzioni trasposte sono già stati definiti per te. Quello che manca sono i blocchi convoluzionali del decoder. Devi passare a ciascuno di essi il numero corretto di canali in input e in output, tenendo conto delle skip connection.
Il primo blocco, dec1, prenderà in input la concatenazione dell’output di upconv3 con l’output di enc3. A sua volta, l’output di dec1 deve essere uguale all’output di enc3. Riesci a compilare tutte le dimensioni mancanti di input e output?
Questo esercizio fa parte del corso
Deep Learning per Immagini con PyTorch
Istruzioni dell'esercizio
- Definisci i tre blocchi convoluzionali nel decoder passando a ciascuno il numero appropriato di canali in input e in output.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
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)