企业官网建设流程全解析

简介：这是一份面向图像分割入门者的Unet网络PyTorch实现资料，主要解决“想看懂Unet结构却不知如何下手”的问题。内容围绕U形对称架构展开：左侧通过卷积与最大池化逐级下采样以提取高层语义特征，右侧利用最近邻上采样与跳跃连接逐步恢复空间分辨率和边缘细节，最终实现端到端的像素级预测。代码中封装了default_conv、default_relu、Up_Sample以及Unet主类，并设置固定随机种子保证实验可复现；下载后无需额外配置即可直接运行，同时可借助torchsummary直观查看每层输出尺寸与参数量。资源包为单个PDF文件，大小仅89KB，适合快速查阅核心代码与结构示意图。目前已有6923人学习浏览，对正在复现图像分割模型或准备论文实验的PyTorch使用者很有参考价值。

1. 一份 572x572 输入直接跑通的 Unet，先解决的是 shape 对齐问题

在把 Unet 从示意图变成能跑的代码时，最先卡人的不是 U 形结构本身，而是 3x3 卷积不加 padding 之后，左侧特征图会比右侧上采样结果大出几个像素，两侧拼接时 shape 对不上。这份代码把答案写在 Up_Sample 里：nearest 上采样放大两倍、1x1 卷积降通道、对左侧特征做中心裁剪，然后再拼到一起。输入单通道 572x572 图，输出 2 通道分割图，torchsummary 会直接把每层 shape 和 28,941,698 个可训练参数打出来。它适合两类人：一类是刚配好 PyTorch 环境、想跑通 unet 图像分割练手的人；另一类是在已有分割模型上做改动、需要快速核对网络尺寸递推的开发者。

2. 编码器下采样链：default_conv 与 MaxPool2d(kernel_size=1, stride=2) 的尺寸递推

2.1 左侧四个 stage 的真实结构

这段代码的编码器没有 BatchNorm、没有 Dropout，每个 stage 就是两个 Conv2d 加一个 ReLU。left1 到 left4 把通道从 64 一路翻到 512，bottom 再翻到 1024。卷积核固定是 3x3，padding 显式设为 0，这意味着每过一个 3x3 卷积，特征图每个方向会缩小 2 个像素。

def default_conv(in_channels, out_channels, kernel_size, bias=True): # padding=0 是刻意为之，两个 conv 后特征图尺寸会减 4 return nn.Conv2d(in_channels, out_channels, kernel_size, padding=0, bias=bias) def default_relu(): return nn.ReLU(inplace=True) left1 = [conv(in_channels, n_feats, 3), relu(), conv(n_feats, n_feats, 3)] left2 = [conv(n_feats, 2 * n_feats, 3), relu(), conv(2 * n_feats, 2 * n_feats, 3)] # left3 / left4 同构，分别输出 4*n_feats 与 8*n_feats 通道

n_feats默认是 64，它控制整个网络的宽度，是 Unet 里最值得调的参数。第一个卷积负责把输入通道映射到 64，之后每次池化前把通道乘 2。这里每个 stage 都是两个 3x3 卷积，而不是像 VGG 那样堆更多层，是因为 Unet 的下采样分支只需要中等表达力，更多卷积层会把感受野扩得过大，反而丢失边缘细节。

2.2 下采样为什么是 MaxPool2d(kernel_size=1, stride=2)

编码器部分最反直觉的写法是下采样，它的实现不是常见的nn.MaxPool2d(2)，而是：

down = [] for layer in range(4): down.append(nn.MaxPool2d(kernel_size=1, stride=2)) self.down = nn.Sequential(*down)

kernel_size=1时池化窗口里只有一个元素，所以它并不是在 2x2 区域里取最大值，而是每隔一个像素取一个值，等价于x[:, :, ::2, ::2]。它和MaxPool2d(2, 2)的输出形状完全一样，都是宽高减半，但信息保留策略不同：前者直接丢弃一半像素，后者在每个窗口内保留响应最强的值。这个写法在 PyTorch 里是合法的，也维持了“每下采样一次，分辨率减半”的约束。如果改造成自己的项目，想换成更平滑的下采样，可以直接替换成 stride=2 的卷积，例如nn.Conv2d(64, 128, 3, stride=2, padding=1)，输出形状不变，梯度传递会更稳定。

2.3 从 572 到 28：一张表看完整左侧递推

以输入 572x572、单通道为例，左侧编码器的尺寸变化如下：

572 是原论文 overlap-tile 策略里常用的输入尺寸，四次池化后落到 28x28，分辨率缩小约 20 倍，通道数从 64 涨到 1024。这个 28x28 的底层特征图是后续所有上采样分支的起点，右边每一层拼接都要回到这张表里的对应尺寸。

2.4 没有 BN 的卷积块在实际训练里的影响

这份代码刻意省略了 BatchNorm，好处是参数结构一目了然，便于复现和核对；坏处是激活分布完全由输入尺度和初始化决定，学习率稍大，深层 1024 通道的方差就容易失控。我一般在把这个骨架接到自己数据集时，会在每个 conv 对之间插入 BN。

block = nn.Sequential( nn.Conv2d(64, 64, 3, padding=0), nn.BatchNorm2d(64), # 每个通道增加 2 个可学习参数 nn.ReLU(inplace=True), )

加入 BN 后总参数量只增加很小一部分，但收敛稳定性明显改善。另外要明确一点：这份代码没有数据加载和训练循环，它的核心价值是把模型定义、前向路径、参数可视化串成一条完整链路，确认网络可运行之后，再接自己的 DataLoader 和损失函数。

3. Up_Sample 解码器：nearest 上采样、中心裁剪与 left/right 通道对齐

3.1 Up_Sample 内部的三段式变换

解码器里最核心的模块是自定义的 Up_Sample，它不是简单调一个上采样就完事，而是把“放大、降维、激活”打包在一起：

class Up_Sample(nn.Module): def __init__(self, in_channels, conv=default_conv, relu=default_relu): super(Up_Sample, self).__init__() up1 = nn.Upsample(scale_factor=2, mode='nearest') up2 = conv(in_channels, in_channels // 2, 1) self.module_up = nn.Sequential(up1, up2, relu()) def forward(self, input_down, input_left): x = self.module_up(input_down) dif = (input_left.shape[3] - x.shape[3]) / 2 input_left = input_left[:, :, int(dif):int(dif + x.shape[3]), int(dif):int(dif + x.shape[3])] return torch.cat((x, input_left), 1)

nn.Upsample(scale_factor=2, mode='nearest')把宽高各放大一倍，mode='nearest'表示最近邻插值，不产生新的像素值，也不增加参数。之后用一个 1x1 卷积把通道从in_channels降到in_channels // 2。这样做的目的是为拼接做准备：上采样分支降到一半通道后，与左侧分支同分辨率特征拼接，拼接后通道数正好翻倍，落入右侧卷积的输入通道范围。

3.2 中心裁剪 dif 公式：差值为什么要除 2

forward 里最容易被忽略的是裁剪行。由于左侧每个 stage 两个 3x3 卷积都不加 padding，left 路径特征图始终比右侧上采样结果大。以 bottom 与 left4 为例：bottom 输出 28x28，上采样后变成 56x56，而 left4 输出 64x64，差 8 像素，两侧各裁 4 像素。dif算的就是每侧要裁掉多少：

dif = (input_left.shape[3] - x.shape[3]) / 2 input_left = input_left[:, :, int(dif):int(dif + x.shape[3]), int(dif):int(dif + x.shape[3])]

input_left.shape[3]是左侧特征的高或宽，x.shape[3]是上采样结果的高或宽，差值除以 2 得到上下、左右各要裁掉的像素数。int()是为了处理差值为奇数的情况，但最好保证差值本来就是偶数，否则中心会偏移 1 像素。当前 572 输入下，四组差值 64-56、136-104、280-200、568-392 都是偶数，所以没有这个问题。

3.3 forward 顺序里的拼接链与通道规则

Unet 的 forward 顺序是沿着 U 形先下到底，再逐层上采样：

x1 = self.left1(x) x1d = self.down[0](x1) # x2 / x3 / x4 结构相同，x_b 为 bottom 输出 y4d = self.up[3](x_b, x4) y3 = self.right4(y4d) y3d = self.up[2](y3, x3) y2 = self.right3(y3d) y2d = self.up[1](y2, x2) y1 = self.right2(y2d) y1d = self.up[0](y1, x1) y = self.right1(y1d) out = self.tail(y)

每一层拼接的来源和通道变化可以整理成下面这张表：

这就是代码里 right1 到 right4 的通道数和 left 的通道数看上去“错开一个位置”的原因：right4 的输入其实是拼接后的 1024 通道，而不是 left4 的 512 通道。理解这张表，之后想调整每层通道数就知道要同步改哪些地方。

3.4 nearest 与 ConvTranspose2d 的取舍

上采样分支选 nearest 而不是转置卷积，是一个很实际的选择。nearest 不引入可学习参数，不会产生转置卷积常见的棋盘格伪影，配合 1x1 卷积降维，是目前复现 Unet 时最稳妥的写法。转置卷积能学习空间插值，但要调的参数和超参数更多，数据量不够时反而容易学出噪声。如果后续要在基础版本上做 unet 模型改进，可以先保留 nearest，把 Up_Sample 里的 1x1 卷积换成 3x3 卷积，用少量参数换更强的上采样表达。

4. torchsummary 可视化：28,941,698 参数与 2.27GB 前向显存的读法

4.1 一行 summary 的调用约定

入口函数非常短，核心就一行：

def main(): model = Unet(in_channels=1, out_channels=2) # 灰度图输入，二分类输出 from torchsummary import summary summary(model.cuda(), (1, 572, 572)) # C, H, W，不含 batch 维

in_channels=1对应灰度图，out_channels=2对应分割任务的两个类别。summary的第二个参数是输入张量的 C、H、W，不包含 batch 维，它内部会构造一个 batch=1 的输入做一次前向。model.cuda()是因为默认在 GPU 上执行，如果机器没有 CUDA，就把model.cuda()去掉，改成summary(model, (1, 572, 572))，CPU 上也可以跑，只是 572x572 输入会稍微慢一点。安装依赖用pip install torchsummary即可，前提是当前环境已经装好支持 CUDA 的 PyTorch 版本。

4.2 参数分布：9.44M 的大头在哪里

torchsummary 的输出里最容易让人注意的是总参数量 28.94M，比常见的 ResNet 分类网络大不少。真正占参数的是几个大卷积层：

以 Conv2d-19 为例，输入输出都是 1024 通道，3x3 卷积核加上 bias 的参数个数是1024 * 1024 * 9 + 1024 = 9,438,208，和打印值完全一致。这个量级说明 Unet 的参数大头在通道最宽的编码器底部和解码器入口，而不是浅层。这个数字也可以作为改动网络后的核对基准：改 padding、加 BN、换卷积核大小，最后都会有对应的参数变化。

4.3 显存估算：Forward/backward 2,275.74MB 实际代表什么

torchsummary 倒数几行会打印Input size、Forward/backward pass size、Params size和Estimated Total Size。Input size 1.25MB 是输入张量本身，Params size 110.40MB 是权重驻留显存，而 Forward/backward 2,275.74MB 来自中间层激活值——尤其是 392x392、388x388 这些高分辨率特征平面，它们才是显存占用的主要来源。

这个 2.27GB 是 batch=1 的估算值，并不是实测显存，实际训练还要叠加梯度、优化器状态和 CUDA context，因此 6GB 显存的卡建议保持 batch=1，不要贸然加大输入尺寸。如果显存紧张，比较直接的做法是把输入从 572 缩小，同时把模型输出的分割图尺寸变化纳入考虑，激活值会按面积比例明显下降。训练时开 AMP 混合精度也能显著降低激活显存，这在 PyTorch 1.6 之后已经是标准操作。

4.4 torchinfo 是更可读的替代品

torchsummary 打印的信息偏平铺，torchinfo 按模块层级缩进显示，且支持显式指定 batch 维，观感更接近 PyTorch 官方文档：

# pip install torchinfo from torchinfo import summary as ts model = Unet(in_channels=1, out_channels=2) ts(model, input_size=(1, 1, 572, 572)) # batch=1, C=1, H=W=572

除了可视化，还可以用一次真实 forward 验证网络输出：

model.eval() with torch.no_grad(): y = model(torch.randn(1, 1, 572, 572)) print(y.shape) # torch.Size([1, 2, 388, 388])

这一步对后续数据加载很关键：模型输出是 2 通道 388x388，标签 mask 也必须预先处理成同样的尺寸，否则损失函数会直接报 shape 不匹配。如果输出尺寸和预期不一致，优先检查每个 Up_Sample 的裁剪差值是否为偶数，以及输入边长是否满足递推条件。

5. 同尺寸输入输出变体：padding=1 加 16 倍数输入，去掉中心裁剪

5.1 572 输入对应 388 输出，输出尺寸由谁决定

上面的一次真实 forward 已经验证，572 输入最终输出 388，和原论文 overlap-tile 策略一致。也就是说，用这份代码处理 512x512 的原图时，不能直接把模型输出和原尺寸标签算损失，需要先把标签从中心裁剪到模型输出尺寸，或者把输入统一做成 572x572。输出尺寸不是简单线性换算出来的，它由每一层卷积的边界损耗累积决定，所以更换输入尺寸后最可靠的检查方式是直接跑一次 forward 看y.shape，不要凭经验估计。

5.2 把 padding 改成 1，并让输入边长是 16 的倍数

如果不想每次都处理中心裁剪，可以把网络改成输入输出同尺寸。修改点有两处：一是把default_conv的 padding 从 0 改成 1，二是删掉 Up_Sample 里的裁剪逻辑。

def default_conv(in_channels, out_channels, kernel_size, bias=True): # padding=1 后，3x3 卷积不改变特征图宽高 return nn.Conv2d(in_channels, out_channels, kernel_size, padding=1, bias=bias) class Up_Sample(nn.Module): def forward(self, input_down, input_left): x = self.module_up(input_down) # 输入边长为 16 的倍数时，两个分支宽高完全一致，无需裁剪 return torch.cat((x, input_left), 1)

padding=1 后，每个 3x3 卷积前后尺寸保持一致。此时输入边长必须是 16 的倍数，因为编码器有四次下采样，任何一次不能整除都会导致上采样后与 left 分支差 1 像素。以 576 输入为例，池化序列是 576 -> 288 -> 144 -> 72 -> 36，bottom 上采样后正好也是 72，与 left4 完全对齐。572 不是 16 的倍数，会落到 35 -> 70 与 left4 的 71 差 1 像素，int(dif)会把裁剪窗口取偏，所以这个变体不要用 572。

5.3 用 summary 验证变体

改完以后，把 main 里的输入换成 576 再跑一次：

model = Unet(in_channels=1, out_channels=2) summary(model.cuda(), (1, 576, 576)) # 最后一层 Conv2d 的输出 shape 应为 [-1, 2, 576, 576]

输出从 388 变成 576，是因为 padding=1 不再损失任何边界像素，模型从“输入比输出大 184 像素”变成“输入输出同尺寸”，这对监督分割任务来说方便很多：标签图不需要再做中心裁剪，直接和模型输出对齐即可。代价是每一层的激活值面积都比原版大，显存占用会随之上升。想要严格复现论文设计就保留原版 padding=0 和中心裁剪；想在同一个输入输出尺寸上跑分割训练，padding=1 加 16 倍数输入是更省心的组合。

本文还有配套的精品资源，点击获取