使用unet网络分割一个文件夹下的2D512*512的肾脏CT图片的model.py代码，不要使用tensorflow

好的，以下是使用PyTorch实现UNet网络对肾脏CT图像进行分割的model.py代码：

import torch
import torch.nn as nn


class DoubleConv(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(DoubleConv, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
            nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True)
        )

    def forward(self, x):
        return self.conv(x)


class UNet(nn.Module):
    def __init__(self, in_channels=1, out_channels=1, features=[64, 128, 256, 512]):
        super(UNet, self).__init__()
        self.ups = nn.ModuleList()
        self.downs = nn.ModuleList()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)

        # Down part of UNet
        for feature in features:
            self.downs.append(DoubleConv(in_channels, feature))
            in_channels = feature

        # Up part of UNet
        for feature in reversed(features):
            self.ups.append(nn.ConvTranspose2d(feature*2, feature, kernel_size=2, stride=2))
            self.ups.append(DoubleConv(feature*2, feature))

        self.bottleneck = DoubleConv(features[-1], features[-1]*2)
        self.final_conv = nn.Conv2d(features[0], out_channels, kernel_size=1)

    def forward(self, x):
        skip_connections = []
        
        # Down part of UNet
        for down in self.downs:
            x = down(x)
            skip_connections.append(x)
            x = self.pool(x)

        x = self.bottleneck(x)
        skip_connections = skip_connections[::-1]

        # Up part of UNet
        for idx in range(0, len(self.ups), 2):
            x = self.ups[idx](x)
            skip_connection = skip_connections[idx//2]

            if x.shape != skip_connection.shape:
                x = nn.functional.interpolate(x, size=skip_connection.shape[2:], mode='bilinear', align_corners=True)

            concat_skip = torch.cat((skip_connection, x), dim=1)
            x = self.ups[idx+1](concat_skip)

        return self.final_conv(x)

这里定义了一个双卷积块`DoubleConv`和一个UNet网络`UNet`。其中，`DoubleConv`由两个卷积层和批归一化、ReLU激活函数组成，用于构建UNet中的下采样和上采样部分的卷积块。`UNet`定义了UNet的整个结构，包括下采样、上采样、瓶颈和最终卷积层。

在`UNet`中，我们定义了一个下采样部分和一个上采样部分。下采样部分由多个双卷积块和最大池化层组成，用于提取特征和降低分辨率。上采样部分由多个转置卷积层和双卷积块组成，用于恢复分辨率和进行特征融合。在上采样过程中，我们通过将下采样部分的特征与上采样部分的特征进行拼接，来进行特征融合。

最后，我们通过一个1x1的卷积层将特征图压缩到指定的输出通道数。