Construindo uma U-Net: definições das camadas
Neste exercício e no próximo, você vai construir uma arquitetura U-Net do zero. Aqui, você começa definindo o método “ __init__() ”, onde vai definir camadas e blocos de camadas para o modelo usar.
O codificador e a convolução transposta já foram definidos pra você. O que falta são os blocos convolucionais do decodificador. Você precisa passar o número certo de canais de entrada e saída para cada um deles, levando em conta as conexões de pulos.
O primeiro bloco, dec1, vai pegar como entrada a concatenação da saída de upconv3 com a saída de enc3. A saída “ dec1 ” deve ser igual à saída “ enc3 ”. Você consegue preencher todos os tamanhos de entrada e saída que estão faltando?
Este exercício faz parte do curso
Aprendizado profundo para imagens com PyTorch
Instruções do exercício
- Defina os três blocos convolucionais no decodificador passando o número certo de canais de entrada e saída para cada um deles.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
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)