Unet网络结构

GTX_AI

extra_large的Unet网络结构：模型大小：1944756KB，1.85GB

1. import torch.nn as nn
   
2. import torch
   
3. from torch import autograd
   
4. import torchvision.models as models
   
5. 
   
6. 
   
7. # 导入模型结构
   
8. #resnet50 = models.resnet50(pretrained=True)
   
9. # 加载预先下载好的预训练参数到resnet18
   
10. #resnet50.load_state_dict(torch.load('resnet50-5c106cde.pth'))
    
11. 
    
12. class DoubleConv(nn.Module):
    
13.     def __init__(self, in_ch, out_ch):
    
14.         super(DoubleConv, self).__init__()
    
15.         self.conv = nn.Sequential(
    
16.             nn.Conv2d(in_ch, out_ch, 3, padding=1),
    
17.             nn.BatchNorm2d(out_ch),
    
18.             nn.ReLU(inplace=True),
    
19.             nn.Conv2d(out_ch, out_ch, 3, padding=1),
    
20.             nn.BatchNorm2d(out_ch),
    
21.             nn.ReLU(inplace=True)
    
22.         )
    
23. 
    
24.     def forward(self, input):
    
25.         return self.conv(input)
    
26. 
    
27. 
    
28. class Unet(nn.Module):
    
29.     def __init__(self,in_ch,out_ch):
    
30.         super(Unet, self).__init__()
    
31. 
    
32.         self.conv1 = DoubleConv(in_ch, 16)
    
33.         self.pool1 = nn.MaxPool2d(2)
    
34.         self.conv2 = DoubleConv(16, 32)
    
35.         self.pool2 = nn.MaxPool2d(2)
    
36.         self.conv3 = DoubleConv(32, 64)
    
37.         self.pool3 = nn.MaxPool2d(2)
    
38.         self.conv4 = DoubleConv(64, 128)
    
39.         self.pool4 = nn.MaxPool2d(2)
    
40.         self.conv5 = DoubleConv(128, 256)
    
41.         self.pool5 = nn.MaxPool2d(2)
    
42.         self.conv6 = DoubleConv(256, 512)
    
43.         self.pool6 = nn.MaxPool2d(2)
    
44.         self.conv7 = DoubleConv(512, 1024)
    
45.         self.pool7 = nn.MaxPool2d(2)
    
46.         self.conv8 = DoubleConv(1024, 2048)
    
47.         self.pool8 = nn.MaxPool2d(2)
    
48.         self.conv9 = DoubleConv(2048, 4096)
    
49.         self.up10 = nn.ConvTranspose2d(4096, 2048, 2, stride=2)
    
50.         self.conv10 = DoubleConv(4096, 2048)
    
51.         self.up11 = nn.ConvTranspose2d(2048, 1024, 2, stride=2)
    
52.         self.conv11 = DoubleConv(2048, 1024)
    
53.         self.up12 = nn.ConvTranspose2d(1024, 512, 2, stride=2)
    
54.         self.conv12 = DoubleConv(1024, 512)
    
55.         self.up13 = nn.ConvTranspose2d(512, 256, 2, stride=2)
    
56.         self.conv13 = DoubleConv(512, 256)
    
57.         self.up14 = nn.ConvTranspose2d(256, 128, 2, stride=2)
    
58.         self.conv14 = DoubleConv(256, 128)
    
59.         self.up15 = nn.ConvTranspose2d(128, 64, 2, stride=2)
    
60.         self.conv15 = DoubleConv(128, 64)
    
61.         self.up16 = nn.ConvTranspose2d(64, 32, 2, stride=2)
    
62.         self.conv16 = DoubleConv(64, 32)
    
63.         self.up17 = nn.ConvTranspose2d(32, 16, 2, stride=2)
    
64.         self.conv17 = DoubleConv(32, 16)
    
65.         self.conv18 = nn.Conv2d(16,out_ch, 1)
    
66. 
    
67.     def forward(self,x):
    
68.         c1=self.conv1(x)
    
69.         p1=self.pool1(c1)
    
70.         c2=self.conv2(p1)
    
71.         p2=self.pool2(c2)
    
72.         c3=self.conv3(p2)
    
73.         p3=self.pool3(c3)
    
74.         c4=self.conv4(p3)
    
75.         p4=self.pool4(c4)
    
76.         c5=self.conv5(p4)
    
77.         p5=self.pool5(c5)
    
78.         c6=self.conv6(p5)
    
79.         p6=self.pool6(c6)
    
80.         c7=self.conv7(p6)
    
81.         p7=self.pool7(c7)
    
82.         c8=self.conv8(p7)
    
83.         p8=self.pool8(c8)
    
84.         c9=self.conv9(p8)
    
85.         up_10= self.up10(c9)
    
86.         merge10 = torch.cat([up_10, c8], dim=1)
    
87.         c10=self.conv10(merge10)
    
88.         up_11= self.up11(c10)
    
89.         merge11 = torch.cat([up_11, c7], dim=1)
    
90.         c11=self.conv11(merge11)
    
91.         up_12= self.up12(c11)
    
92.         merge12 = torch.cat([up_12, c6], dim=1)
    
93.         c12=self.conv12(merge12)
    
94.         up_13=self.up13(c12)
    
95.         merge13 = torch.cat([up_13, c5], dim=1)
    
96.         c13=self.conv13(merge13)
    
97.         up_14=self.up14(c13)
    
98.         merge14 = torch.cat([up_14, c4], dim=1)
    
99.         c14=self.conv14(merge14)
    
100.         up_15=self.up15(c14)
     
101.         merge15 = torch.cat([up_15, c3],dim=1)
     
102.         c15=self.conv15(merge15)
     
103.         up_16=self.up16(c15)
     
104.         merge16 = torch.cat([up_16, c2],dim=1)
     
105.         c16=self.conv16(merge16)
     
106.         up_17=self.up17(c16)
     
107.         merge17 = torch.cat([up_17, c1],dim=1)
     
108.         c17=self.conv17(merge17)
     
109.         c18=self.conv18(c17)
     
110.         out = nn.Sigmoid()(c18)
     
111.         return out

复制代码

GTX_AI

large Unet网络1：模型大小：121652KB，118MB

1. import torch.nn as nn
   
2. import torch
   
3. from torch import autograd
   
4. import torchvision.models as models
   
5. 
   
6. 
   
7. # 导入模型结构
   
8. #resnet50 = models.resnet50(pretrained=True)
   
9. # 加载预先下载好的预训练参数到resnet18
   
10. #resnet50.load_state_dict(torch.load('resnet50-5c106cde.pth'))
    
11. 
    
12. class DoubleConv(nn.Module):
    
13.     def __init__(self, in_ch, out_ch):
    
14.         super(DoubleConv, self).__init__()
    
15.         self.conv = nn.Sequential(
    
16.             nn.Conv2d(in_ch, out_ch, 3, padding=1),
    
17.             nn.BatchNorm2d(out_ch),
    
18.             nn.ReLU(inplace=True),
    
19.             nn.Conv2d(out_ch, out_ch, 3, padding=1),
    
20.             nn.BatchNorm2d(out_ch),
    
21.             nn.ReLU(inplace=True)
    
22.         )
    
23. 
    
24.     def forward(self, input):
    
25.         return self.conv(input)
    
26. 
    
27. 
    
28. class Unet(nn.Module):
    
29.     def __init__(self,in_ch,out_ch):
    
30.         super(Unet, self).__init__()
    
31. 
    
32.         self.conv1 = DoubleConv(in_ch, 16)
    
33.         self.pool1 = nn.MaxPool2d(2)
    
34.         self.conv2 = DoubleConv(16, 32)
    
35.         self.pool2 = nn.MaxPool2d(2)
    
36.         self.conv3 = DoubleConv(32, 64)
    
37.         self.pool3 = nn.MaxPool2d(2)
    
38.         self.conv4 = DoubleConv(64, 128)
    
39.         self.pool4 = nn.MaxPool2d(2)
    
40.         self.conv5 = DoubleConv(128, 256)
    
41.         self.pool5 = nn.MaxPool2d(2)
    
42.         self.conv6 = DoubleConv(256, 512)
    
43.         self.pool6 = nn.MaxPool2d(2)
    
44.         self.conv7 = DoubleConv(512, 1024)
    
45.         self.up8 = nn.ConvTranspose2d(1024, 512, 2, stride=2)
    
46.         self.conv8 = DoubleConv(1024, 512)
    
47.         self.up9 = nn.ConvTranspose2d(512, 256, 2, stride=2)
    
48.         self.conv9 = DoubleConv(512, 256)
    
49.         self.up10 = nn.ConvTranspose2d(256, 128, 2, stride=2)
    
50.         self.conv10 = DoubleConv(256, 128)
    
51.         self.up11 = nn.ConvTranspose2d(128, 64, 2, stride=2)
    
52.         self.conv11 = DoubleConv(128, 64)
    
53.         self.up12 = nn.ConvTranspose2d(64, 32, 2, stride=2)
    
54.         self.conv12 = DoubleConv(64, 32)
    
55.         self.up13 = nn.ConvTranspose2d(32, 16, 2, stride=2)
    
56.         self.conv13 = DoubleConv(32, 16)
    
57.         self.conv14 = nn.Conv2d(16,out_ch, 1)
    
58. 
    
59.     def forward(self,x):
    
60.         c1=self.conv1(x)
    
61.         p1=self.pool1(c1)
    
62.         c2=self.conv2(p1)
    
63.         p2=self.pool2(c2)
    
64.         c3=self.conv3(p2)
    
65.         p3=self.pool3(c3)
    
66.         c4=self.conv4(p3)
    
67.         p4=self.pool4(c4)
    
68.         c5=self.conv5(p4)
    
69.         p5=self.pool5(c5)
    
70.         c6=self.conv6(p5)
    
71.         p6=self.pool6(c6)
    
72.         c7=self.conv7(p6)
    
73.         up_8= self.up8(c7)
    
74.         merge8 = torch.cat([up_8, c6], dim=1)
    
75.         c8=self.conv8(merge8)
    
76.         up_9=self.up9(c8)
    
77.         merge9 = torch.cat([up_9, c5], dim=1)
    
78.         c9=self.conv9(merge9)
    
79.         up_10=self.up10(c9)
    
80.         merge10 = torch.cat([up_10, c4], dim=1)
    
81.         c10=self.conv10(merge10)
    
82.         up_11=self.up11(c10)
    
83.         merge11=torch.cat([up_11,c3],dim=1)
    
84.         c11=self.conv11(merge11)
    
85.         up_12=self.up12(c11)
    
86.         merge12=torch.cat([up_12,c2],dim=1)
    
87.         c12=self.conv12(merge12)
    
88.         up_13=self.up13(c12)
    
89.         merge13=torch.cat([up_13,c1],dim=1)
    
90.         c13=self.conv13(merge13)
    
91.         c14=self.conv14(c13)
    
92.         out = nn.Sigmoid()(c14)
    
93.         return out

复制代码

GTX_AI

large Unet网络2：：模型大小：486257KB，474MB

1. import torch.nn as nn
   
2. import torch
   
3. from torch import autograd
   
4. import torchvision.models as models
   
5. 
   
6. 
   
7. # 导入模型结构
   
8. #resnet50 = models.resnet50(pretrained=True)
   
9. # 加载预先下载好的预训练参数到resnet18
   
10. #resnet50.load_state_dict(torch.load('resnet50-5c106cde.pth'))
    
11. 
    
12. class DoubleConv(nn.Module):
    
13.     def __init__(self, in_ch, out_ch):
    
14.         super(DoubleConv, self).__init__()
    
15.         self.conv = nn.Sequential(
    
16.             nn.Conv2d(in_ch, out_ch, 3, padding=1),
    
17.             nn.BatchNorm2d(out_ch),
    
18.             nn.ReLU(inplace=True),
    
19.             nn.Conv2d(out_ch, out_ch, 3, padding=1),
    
20.             nn.BatchNorm2d(out_ch),
    
21.             nn.ReLU(inplace=True)
    
22.         )
    
23. 
    
24.     def forward(self, input):
    
25.         return self.conv(input)
    
26. 
    
27. 
    
28. class Unet(nn.Module):
    
29.     def __init__(self,in_ch,out_ch):
    
30.         super(Unet, self).__init__()
    
31. 
    
32.         self.conv1 = DoubleConv(in_ch, 32)
    
33.         self.pool1 = nn.MaxPool2d(2)
    
34.         self.conv2 = DoubleConv(32, 64)
    
35.         self.pool2 = nn.MaxPool2d(2)
    
36.         self.conv3 = DoubleConv(64, 128)
    
37.         self.pool3 = nn.MaxPool2d(2)
    
38.         self.conv4 = DoubleConv(128, 256)
    
39.         self.pool4 = nn.MaxPool2d(2)
    
40.         self.conv5 = DoubleConv(256, 512)
    
41.         self.pool5 = nn.MaxPool2d(2)
    
42.         self.conv6 = DoubleConv(512, 1024)
    
43.         self.pool6 = nn.MaxPool2d(2)
    
44.         self.conv7 = DoubleConv(1024, 2048)
    
45.         self.up8 = nn.ConvTranspose2d(2048, 1024, 2, stride=2)
    
46.         self.conv8 = DoubleConv(2048, 1024)
    
47.         self.up9 = nn.ConvTranspose2d(1024, 512, 2, stride=2)
    
48.         self.conv9 = DoubleConv(1024, 512)
    
49.         self.up10 = nn.ConvTranspose2d(512, 256, 2, stride=2)
    
50.         self.conv10 = DoubleConv(512, 256)
    
51.         self.up11 = nn.ConvTranspose2d(256, 128, 2, stride=2)
    
52.         self.conv11 = DoubleConv(256, 128)
    
53.         self.up12 = nn.ConvTranspose2d(128, 64, 2, stride=2)
    
54.         self.conv12 = DoubleConv(128, 64)
    
55.         self.up13 = nn.ConvTranspose2d(64, 32, 2, stride=2)
    
56.         self.conv13 = DoubleConv(64, 32)
    
57.         self.conv14 = nn.Conv2d(32,out_ch, 1)
    
58. 
    
59.     def forward(self,x):
    
60.         c1=self.conv1(x)
    
61.         p1=self.pool1(c1)
    
62.         c2=self.conv2(p1)
    
63.         p2=self.pool2(c2)
    
64.         c3=self.conv3(p2)
    
65.         p3=self.pool3(c3)
    
66.         c4=self.conv4(p3)
    
67.         p4=self.pool4(c4)
    
68.         c5=self.conv5(p4)
    
69.         p5=self.pool5(c5)
    
70.         c6=self.conv6(p5)
    
71.         p6=self.pool6(c6)
    
72.         c7=self.conv7(p6)
    
73.         up_8= self.up8(c7)
    
74.         merge8 = torch.cat([up_8, c6], dim=1)
    
75.         c8=self.conv8(merge8)
    
76.         up_9=self.up9(c8)
    
77.         merge9 = torch.cat([up_9, c5], dim=1)
    
78.         c9=self.conv9(merge9)
    
79.         up_10=self.up10(c9)
    
80.         merge10 = torch.cat([up_10, c4], dim=1)
    
81.         c10=self.conv10(merge10)
    
82.         up_11=self.up11(c10)
    
83.         merge11=torch.cat([up_11,c3],dim=1)
    
84.         c11=self.conv11(merge11)
    
85.         up_12=self.up12(c11)
    
86.         merge12=torch.cat([up_12,c2],dim=1)
    
87.         c12=self.conv12(merge12)
    
88.         up_13=self.up13(c12)
    
89.         merge13=torch.cat([up_13,c1],dim=1)
    
90.         c13=self.conv13(merge13)
    
91.         c14=self.conv14(c13)
    
92.         out = nn.Sigmoid()(c14)
    
93.         return out
    

复制代码

GTX_AI

large Unet网络：：模型大小：121329KB，118MB

1. import torch.nn as nn
   
2. import torch
   
3. from torch import autograd
   
4. import torchvision.models as models
   
5. 
   
6. 
   
7. # 导入模型结构
   
8. #resnet50 = models.resnet50(pretrained=True)
   
9. # 加载预先下载好的预训练参数到resnet18
   
10. #resnet50.load_state_dict(torch.load('resnet50-5c106cde.pth'))
    
11. 
    
12. class DoubleConv(nn.Module):
    
13.     def __init__(self, in_ch, out_ch):
    
14.         super(DoubleConv, self).__init__()
    
15.         self.conv = nn.Sequential(
    
16.             nn.Conv2d(in_ch, out_ch, 3, padding=1),
    
17.             nn.BatchNorm2d(out_ch),
    
18.             nn.ReLU(inplace=True),
    
19.             nn.Conv2d(out_ch, out_ch, 3, padding=1),
    
20.             nn.BatchNorm2d(out_ch),
    
21.             nn.ReLU(inplace=True)
    
22.         )
    
23. 
    
24.     def forward(self, input):
    
25.         return self.conv(input)
    
26. 
    
27. 
    
28. class Unet(nn.Module):
    
29.     def __init__(self,in_ch,out_ch):
    
30.         super(Unet, self).__init__()
    
31. 
    
32.         self.conv1 = DoubleConv(in_ch, 64)
    
33.         self.pool1 = nn.MaxPool2d(2)
    
34.         self.conv2 = DoubleConv(64, 128)
    
35.         self.pool2 = nn.MaxPool2d(2)
    
36.         self.conv3 = DoubleConv(128, 256)
    
37.         self.pool3 = nn.MaxPool2d(2)
    
38.         self.conv4 = DoubleConv(256, 512)
    
39.         self.pool4 = nn.MaxPool2d(2)
    
40.         self.conv5 = DoubleConv(512, 1024)
    
41.         self.up6 = nn.ConvTranspose2d(1024, 512, 2, stride=2)
    
42.         self.conv6 = DoubleConv(1024, 512)
    
43.         self.up7 = nn.ConvTranspose2d(512, 256, 2, stride=2)
    
44.         self.conv7 = DoubleConv(512, 256)
    
45.         self.up8 = nn.ConvTranspose2d(256, 128, 2, stride=2)
    
46.         self.conv8 = DoubleConv(256, 128)
    
47.         self.up9 = nn.ConvTranspose2d(128, 64, 2, stride=2)
    
48.         self.conv9 = DoubleConv(128, 64)
    
49.         self.conv10 = nn.Conv2d(64,out_ch, 1)
    
50. 
    
51.     def forward(self,x):
    
52.         c1=self.conv1(x)
    
53.         p1=self.pool1(c1)
    
54.         c2=self.conv2(p1)
    
55.         p2=self.pool2(c2)
    
56.         c3=self.conv3(p2)
    
57.         p3=self.pool3(c3)
    
58.         c4=self.conv4(p3)
    
59.         p4=self.pool4(c4)
    
60.         c5=self.conv5(p4)
    
61.         up_6= self.up6(c5)
    
62.         merge6 = torch.cat([up_6, c4], dim=1)
    
63.         c6=self.conv6(merge6)
    
64.         up_7=self.up7(c6)
    
65.         merge7 = torch.cat([up_7, c3], dim=1)
    
66.         c7=self.conv7(merge7)
    
67.         up_8=self.up8(c7)
    
68.         merge8 = torch.cat([up_8, c2], dim=1)
    
69.         c8=self.conv8(merge8)
    
70.         up_9=self.up9(c8)
    
71.         merge9=torch.cat([up_9,c1],dim=1)
    
72.         c9=self.conv9(merge9)
    
73.         c10=self.conv10(c9)
    
74.         out = nn.Sigmoid()(c10)
    
75.         return out
    

复制代码

GTX_AI

normal网络：：模型大小：30126KB，29.4MB

1. import torch.nn as nn
   
2. import torch
   
3. from torch import autograd
   
4. import torchvision.models as models
   
5. 
   
6. 
   
7. # 导入模型结构
   
8. #resnet50 = models.resnet50(pretrained=True)
   
9. # 加载预先下载好的预训练参数到resnet18
   
10. #resnet50.load_state_dict(torch.load('resnet50-5c106cde.pth'))
    
11. 
    
12. class DoubleConv(nn.Module):
    
13.     def __init__(self, in_ch, out_ch):
    
14.         super(DoubleConv, self).__init__()
    
15.         self.conv = nn.Sequential(
    
16.             nn.Conv2d(in_ch, out_ch, 3, padding=1),
    
17.             nn.BatchNorm2d(out_ch),
    
18.             nn.ReLU(inplace=True),
    
19.             nn.Conv2d(out_ch, out_ch, 3, padding=1),
    
20.             nn.BatchNorm2d(out_ch),
    
21.             nn.ReLU(inplace=True)
    
22.         )
    
23. 
    
24.     def forward(self, input):
    
25.         return self.conv(input)
    
26. 
    
27. 
    
28. class Unet(nn.Module):
    
29.     def __init__(self,in_ch,out_ch):
    
30.         super(Unet, self).__init__()
    
31. 
    
32.         self.conv1 = DoubleConv(in_ch, 64)
    
33.         self.pool1 = nn.MaxPool2d(2)
    
34.         self.conv2 = DoubleConv(64, 128)
    
35.         self.pool2 = nn.MaxPool2d(2)
    
36.         self.conv3 = DoubleConv(128, 256)
    
37.         self.pool3 = nn.MaxPool2d(2)
    
38.         self.conv4 = DoubleConv(256, 512)
    
39.         self.up5 = nn.ConvTranspose2d(512, 256, 2, stride=2)
    
40.         self.conv5 = DoubleConv(512, 256)
    
41.         self.up6 = nn.ConvTranspose2d(256, 128, 2, stride=2)
    
42.         self.conv6 = DoubleConv(256, 128)
    
43.         self.up7 = nn.ConvTranspose2d(128, 64, 2, stride=2)
    
44.         self.conv7 = DoubleConv(128, 64)
    
45.         self.conv8 = nn.Conv2d(64,out_ch, 1)
    
46. 
    
47.     def forward(self,x):
    
48.         c1=self.conv1(x)
    
49.         p1=self.pool1(c1)
    
50.         c2=self.conv2(p1)
    
51.         p2=self.pool2(c2)
    
52.         c3=self.conv3(p2)
    
53.         p3=self.pool3(c3)
    
54.         c4=self.conv4(p3)
    
55.         up_5= self.up5(c4)
    
56.         merge5 = torch.cat([up_5, c3], dim=1)
    
57.         c5=self.conv5(merge5)
    
58.         up_6=self.up6(c5)
    
59.         merge6 = torch.cat([up_6, c2], dim=1)
    
60.         c6=self.conv6(merge6)
    
61.         up_7=self.up7(c6)
    
62.         merge7 = torch.cat([up_7, c1],dim=1)
    
63.         c7=self.conv7(merge7)
    
64.         c8=self.conv8(c7)
    
65.         out = nn.Sigmoid()(c8)
    
66.         return out

复制代码

GTX_AI

normal 网络2：：模型大小：7306KB，7.13MB

1. import torch.nn as nn
   
2. import torch
   
3. from torch import autograd
   
4. import torchvision.models as models
   
5. 
   
6. 
   
7. # 导入模型结构
   
8. #resnet50 = models.resnet50(pretrained=True)
   
9. # 加载预先下载好的预训练参数到resnet18
   
10. #resnet50.load_state_dict(torch.load('resnet50-5c106cde.pth'))
    
11. 
    
12. class DoubleConv(nn.Module):
    
13.     def __init__(self, in_ch, out_ch):
    
14.         super(DoubleConv, self).__init__()
    
15.         self.conv = nn.Sequential(
    
16.             nn.Conv2d(in_ch, out_ch, 3, padding=1),
    
17.             nn.BatchNorm2d(out_ch),
    
18.             nn.ReLU(inplace=True),
    
19.             nn.Conv2d(out_ch, out_ch, 3, padding=1),
    
20.             nn.BatchNorm2d(out_ch),
    
21.             nn.ReLU(inplace=True)
    
22.         )
    
23. 
    
24.     def forward(self, input):
    
25.         return self.conv(input)
    
26. 
    
27. 
    
28. class Unet(nn.Module):
    
29.     def __init__(self,in_ch,out_ch):
    
30.         super(Unet, self).__init__()
    
31.         # 128x128
    
32.         self.conv1 = DoubleConv(in_ch, 64)
    
33.         self.pool1 = nn.MaxPool2d(2)
    
34.         self.conv2 = DoubleConv(64, 128)
    
35.         self.pool2 = nn.MaxPool2d(2)
    
36.         self.conv3 = DoubleConv(128, 256)
    
37.         self.up4 = nn.ConvTranspose2d(256, 128, 2, stride=2)
    
38.         self.conv4 = DoubleConv(256, 128)
    
39.         self.up5 = nn.ConvTranspose2d(128, 64, 2, stride=2)
    
40.         self.conv5 = DoubleConv(128, 64)
    
41.         self.conv6 = nn.Conv2d(64,out_ch, 1)
    
42. 
    
43.     def forward(self,x):
    
44.         c1=self.conv1(x)
    
45.         p1=self.pool1(c1)
    
46.         c2=self.conv2(p1)
    
47.         p2=self.pool2(c2)
    
48.         c3=self.conv3(p2)
    
49.         up_4=self.up4(c3)
    
50.         merge4 = torch.cat([up_4, c2], dim=1)
    
51.         c4=self.conv4(merge4)
    
52.         up_5=self.up5(c4)
    
53.         merge5 = torch.cat([up_5, c1],dim=1)
    
54.         c5=self.conv5(merge5)
    
55.         c6=self.conv6(c5)
    
56.         out = nn.Sigmoid()(c6)
    
57.         return out

复制代码

GTX_AI

normal 网络3：：模型大小：29126KB，28.4MB

1. import torch.nn as nn
   
2. import torch
   
3. from torch import autograd
   
4. import torchvision.models as models
   
5. 
   
6. 
   
7. # 导入模型结构
   
8. #resnet50 = models.resnet50(pretrained=True)
   
9. # 加载预先下载好的预训练参数到resnet18
   
10. #resnet50.load_state_dict(torch.load('resnet50-5c106cde.pth'))
    
11. 
    
12. class DoubleConv(nn.Module):
    
13.     def __init__(self, in_ch, out_ch):
    
14.         super(DoubleConv, self).__init__()
    
15.         self.conv = nn.Sequential(
    
16.             nn.Conv2d(in_ch, out_ch, 3, padding=1),
    
17.             nn.BatchNorm2d(out_ch),
    
18.             nn.ReLU(inplace=True),
    
19.             nn.Conv2d(out_ch, out_ch, 3, padding=1),
    
20.             nn.BatchNorm2d(out_ch),
    
21.             nn.ReLU(inplace=True)
    
22.         )
    
23. 
    
24.     def forward(self, input):
    
25.         return self.conv(input)
    
26. 
    
27. 
    
28. class Unet(nn.Module):
    
29.     def __init__(self,in_ch,out_ch):
    
30.         super(Unet, self).__init__()
    
31.         # 256x256
    
32.         self.conv1 = DoubleConv(in_ch, 128)
    
33.         self.pool1 = nn.MaxPool2d(2)
    
34.         self.conv2 = DoubleConv(128, 256)
    
35.         self.pool2 = nn.MaxPool2d(2)
    
36.         self.conv3 = DoubleConv(256, 512)
    
37.         self.up4 = nn.ConvTranspose2d(512, 256, 2, stride=2)
    
38.         self.conv4 = DoubleConv(512, 256)
    
39.         self.up5 = nn.ConvTranspose2d(256, 128, 2, stride=2)
    
40.         self.conv5 = DoubleConv(256, 128)
    
41.         self.conv6 = nn.Conv2d(128,out_ch, 1)
    
42. 
    
43.     def forward(self,x):
    
44.         c1=self.conv1(x)
    
45.         p1=self.pool1(c1)
    
46.         c2=self.conv2(p1)
    
47.         p2=self.pool2(c2)
    
48.         c3=self.conv3(p2)
    
49.         up_4=self.up4(c3)
    
50.         merge4 = torch.cat([up_4, c2], dim=1)
    
51.         c4=self.conv4(merge4)
    
52.         up_5=self.up5(c4)
    
53.         merge5 = torch.cat([up_5, c1],dim=1)
    
54.         c5=self.conv5(merge5)
    
55.         c6=self.conv6(c5)
    
56.         out = nn.Sigmoid()(c6)
    
57.         return out
    
58.    

复制代码

GTX_AI

normal 网络4：：模型大小：120329KB，117MB

1. # -*- coding: utf-8 -*-
   
2. """
   
3. Created on Sat Jun 22 12:05:39 2019
   
4. 
   
5. @author: Solem
   
6. """
   
7. 
   
8. import torch.nn as nn
   
9. import torch
   
10. from torch import autograd
    
11. import torchvision.models as models
    
12. 
    
13. 
    
14. # 导入模型结构
    
15. #resnet50 = models.resnet50(pretrained=True)
    
16. # 加载预先下载好的预训练参数到resnet18
    
17. #resnet50.load_state_dict(torch.load('resnet50-5c106cde.pth'))
    
18. 
    
19. class DoubleConv(nn.Module):
    
20.     def __init__(self, in_ch, out_ch):
    
21.         super(DoubleConv, self).__init__()
    
22.         self.conv = nn.Sequential(
    
23.             nn.Conv2d(in_ch, out_ch, 3, padding=1),
    
24.             nn.BatchNorm2d(out_ch),
    
25.             nn.ReLU(inplace=True),
    
26.             nn.Conv2d(out_ch, out_ch, 3, padding=1),
    
27.             nn.BatchNorm2d(out_ch),
    
28.             nn.ReLU(inplace=True)
    
29.         )
    
30. 
    
31.     def forward(self, input):
    
32.         return self.conv(input)
    
33. 
    
34. 
    
35. class Unet(nn.Module):
    
36.     def __init__(self,in_ch,out_ch):
    
37.         super(Unet, self).__init__()
    
38. 
    
39.         self.conv1 = DoubleConv(in_ch, 128)
    
40.         self.pool1 = nn.MaxPool2d(2)
    
41.         self.conv2 = DoubleConv(128, 256)
    
42.         self.pool2 = nn.MaxPool2d(2)
    
43.         self.conv3 = DoubleConv(256, 512)
    
44.         self.pool3 = nn.MaxPool2d(2)
    
45.         self.conv4 = DoubleConv(512, 1024)
    
46.         self.up5 = nn.ConvTranspose2d(1024, 512, 2, stride=2)
    
47.         self.conv5 = DoubleConv(1024, 512)
    
48.         self.up6 = nn.ConvTranspose2d(512, 256, 2, stride=2)
    
49.         self.conv6 = DoubleConv(512, 256)
    
50.         self.up7 = nn.ConvTranspose2d(256, 128, 2, stride=2)
    
51.         self.conv7 = DoubleConv(256, 128)
    
52.         self.conv8 = nn.Conv2d(128,out_ch, 1)
    
53. 
    
54.     def forward(self,x):
    
55.         c1=self.conv1(x)
    
56.         p1=self.pool1(c1)
    
57.         c2=self.conv2(p1)
    
58.         p2=self.pool2(c2)
    
59.         c3=self.conv3(p2)
    
60.         p3=self.pool3(c3)
    
61.         c4=self.conv4(p3)
    
62.         up_5=self.up5(c4)
    
63.         merge5 = torch.cat([up_5, c3], dim=1)
    
64.         c5=self.conv5(merge5)
    
65.         up_6=self.up6(c5)
    
66.         merge6 = torch.cat([up_6, c2], dim=1)
    
67.         c6=self.conv6(merge6)
    
68.         up_7=self.up7(c6)
    
69.         merge7 = torch.cat([up_7, c1],dim=1)
    
70.         c7=self.conv7(merge7)
    
71.         c8=self.conv8(c7)
    
72.         out = nn.Sigmoid()(c8)
    
73.         return out
    

复制代码

GTX_AI

normal 网络5：：模型大小：67176KB，66.1MB

1. import torch.nn as nn
   
2. import torch
   
3. from torch import autograd
   
4. import torchvision.models as models
   
5. 
   
6. 
   
7. # 导入模型结构
   
8. #resnet50 = models.resnet50(pretrained=True)
   
9. # 加载预先下载好的预训练参数到resnet18
   
10. #resnet50.load_state_dict(torch.load('resnet50-5c106cde.pth'))
    
11. 
    
12. class DoubleConv(nn.Module):
    
13.     def __init__(self, in_ch, out_ch, kernel_size, stride, padding):
    
14.         super(DoubleConv, self).__init__()
    
15.         self.conv = nn.Sequential(
    
16.             nn.Conv2d(in_ch, out_ch, kernel_size=3, stride=1, padding=1),
    
17.             nn.BatchNorm2d(out_ch),
    
18.             nn.ReLU(inplace=True),
    
19.             nn.Conv2d(out_ch, out_ch, kernel_size=3, stride=1, padding=1),
    
20.             nn.BatchNorm2d(out_ch),
    
21.             nn.ReLU(inplace=True)
    
22.         )
    
23. 
    
24.     def forward(self, input):
    
25.         return self.conv(input)
    
26. 
    
27. 
    
28. class Unet(nn.Module):
    
29.     def __init__(self,in_ch,out_ch):
    
30.         super(Unet, self).__init__()
    
31. 
    
32.         self.conv1 = DoubleConv(in_ch, 96,     kernel_size=3, stride=1, padding=1)
    
33.         self.pool1 = nn.MaxPool2d(2)
    
34.         self.conv2 = DoubleConv(96, 192,       kernel_size=3, stride=1, padding=1)
    
35.         self.pool2 = nn.MaxPool2d(2)
    
36.         self.conv3 = DoubleConv(192, 384,       kernel_size=3, stride=1, padding=1)
    
37.         self.pool3 = nn.MaxPool2d(2)
    
38.         self.conv4 = DoubleConv(384, 768,       kernel_size=3, stride=1, padding=1)
    
39.         self.up5 = nn.ConvTranspose2d(768, 384, kernel_size=2, stride=2, padding=0)
    
40.         self.conv5 = DoubleConv(768, 384,       kernel_size=3, stride=1, padding=1)
    
41.         self.up6 = nn.ConvTranspose2d(384, 192, kernel_size=2, stride=2, padding=0)
    
42.         self.conv6 = DoubleConv(384, 192,       kernel_size=3, stride=1, padding=1)
    
43.         self.up7 = nn.ConvTranspose2d(192, 96, kernel_size=2, stride=2, padding=0)
    
44.         self.conv7 = DoubleConv(192, 96,       kernel_size=3, stride=1, padding=1)
    
45.         self.conv8 = nn.Conv2d(96, out_ch, 1)
    
46. 
    
47.     def forward(self,x):
    
48.         c1=self.conv1(x)
    
49.         p1=self.pool1(c1)
    
50.         c2=self.conv2(p1)
    
51.         p2=self.pool2(c2)
    
52.         c3=self.conv3(p2)
    
53.         p3=self.pool3(c3)
    
54.         c4=self.conv4(p3)
    
55.         up_5=self.up5(c4)
    
56.         merge5 = torch.cat([up_5, c3], dim=1)
    
57.         c5=self.conv5(merge5)
    
58.         up_6=self.up6(c5)
    
59.         merge6 = torch.cat([up_6, c2], dim=1)
    
60.         c6=self.conv6(merge6)
    
61.         up_7=self.up7(c6)
    
62.         merge7 = torch.cat([up_7, c1],dim=1)
    
63.         c7=self.conv7(merge7)
    
64.         c8=self.conv8(c7)
    
65.         out = nn.Sigmoid()(c8)
    
66.         return out

复制代码

GTX_AI

small 网络：：模型大小：16400KB，16MB

1. import torch.nn as nn
   
2. import torch
   
3. from torch import autograd
   
4. import torchvision.models as models
   
5. 
   
6. 
   
7. # 导入模型结构
   
8. #resnet50 = models.resnet50(pretrained=True)
   
9. # 加载预先下载好的预训练参数到resnet18
   
10. #resnet50.load_state_dict(torch.load('resnet50-5c106cde.pth'))
    
11. 
    
12. class DoubleConv(nn.Module):
    
13.     def __init__(self, in_ch, out_ch):
    
14.         super(DoubleConv, self).__init__()
    
15.         self.conv = nn.Sequential(
    
16.             nn.Conv2d(in_ch, out_ch, 3, padding=1),
    
17.             nn.BatchNorm2d(out_ch),
    
18.             nn.ReLU(inplace=True),
    
19.             nn.Conv2d(out_ch, out_ch, 3, padding=1),
    
20.             nn.BatchNorm2d(out_ch),
    
21.             nn.ReLU(inplace=True)
    
22.         )
    
23. 
    
24.     def forward(self, input):
    
25.         return self.conv(input)
    
26. 
    
27. 
    
28. class Unet(nn.Module):
    
29.     def __init__(self,in_ch,out_ch):
    
30.         super(Unet, self).__init__()
    
31.         # 256x256
    
32.         self.conv1 = DoubleConv(in_ch, 96)
    
33.         self.pool1 = nn.MaxPool2d(2)
    
34.         self.conv2 = DoubleConv(96, 192)
    
35.         self.pool2 = nn.MaxPool2d(2)
    
36.         self.conv3 = DoubleConv(192, 384)
    
37.         self.up4 = nn.ConvTranspose2d(384, 192, 2, stride=2)
    
38.         self.conv4 = DoubleConv(384, 192)
    
39.         self.up5 = nn.ConvTranspose2d(192, 96, 2, stride=2)
    
40.         self.conv5 = DoubleConv(192, 96)
    
41.         self.conv6 = nn.Conv2d(96,out_ch, 1)
    
42. 
    
43.     def forward(self,x):
    
44.         c1=self.conv1(x)
    
45.         p1=self.pool1(c1)
    
46.         c2=self.conv2(p1)
    
47.         p2=self.pool2(c2)
    
48.         c3=self.conv3(p2)
    
49.         up_4=self.up4(c3)
    
50.         merge4 = torch.cat([up_4, c2], dim=1)
    
51.         c4=self.conv4(merge4)
    
52.         up_5=self.up5(c4)
    
53.         merge5 = torch.cat([up_5, c1],dim=1)
    
54.         c5=self.conv5(merge5)
    
55.         c6=self.conv6(c5)
    
56.         out = nn.Sigmoid()(c6)
    
57.         return out

复制代码