Budowanie U-Netu: definicje warstw
W tym i kolejnym ćwiczeniu zbudujesz architekturę U-Net od podstaw. Zacznij od zdefiniowania metody __init__(), w której określisz warstwy i bloki warstw wykorzystywane przez model.
Koder oraz transpozycyjna splotowa zostały już dla ciebie zdefiniowane. Pozostało zdefiniowanie bloków splotowych dekodera. Musisz przekazać do każdego z nich odpowiednią liczbę kanałów wejściowych i wyjściowych, uwzględniając połączenia pomostowe (skip connections).
Pierwszy blok, dec1, przyjmuje jako wejście konkatenację wyjścia upconv3 z wyjściem enc3. Wyjście dec1 powinno z kolei odpowiadać wyjściu enc3. Czy potrafisz uzupełnić wszystkie brakujące rozmiary wejść i wyjść?
To ćwiczenie jest częścią kursu
Głębokie uczenie dla obrazów z PyTorch
Instrukcje do ćwiczenia
- Zdefiniuj trzy bloki splotowe dekodera, przekazując do każdego z nich odpowiednią liczbę kanałów wejściowych i wyjściowych.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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)