打造 U-Net：層定義
在這題與下一題中，你會從零開始建立一個 U-Net 架構。這裡先從定義 __init__() 方法開始，在其中為模型設定各種層與由多個層組成的區塊。
編碼器（encoder）與轉置卷積（transposed convolution）已經幫你定義好了。剩下的是解碼器（decoder）的卷積區塊。你需要為每一個卷積區塊傳入正確的輸入與輸出通道數，並考量跳接（skip connections）。
第一個區塊 dec1 的輸入，是把 upconv3 的輸出與 enc3 的輸出串接在一起。dec1 的輸出則應該要等於 enc3 的輸出通道數。你能填上所有缺漏的輸入與輸出大小嗎？
本練習屬於課程
使用 PyTorch 進行影像深度學習
練習說明
- 透過為每個卷積區塊傳入正確的輸入與輸出通道數，定義解碼器中的三個卷積區塊。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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)