fcn 5输入预测1输出 实例代码

在深度学习中，全卷积网络（Fully Convolutional Network，简称FCN）是一种常用于图像分割任务的神经网络架构。FCN可以接受任意尺寸的输入图像，并输出与输入图像大小相同的像素级预测结果，这种输出通常对应于图像中每个像素点的类别标签。

下面我将提供一个简单的FCN结构的示例代码，这里以使用Keras框架为例，构建一个具有5个输入特征通道和1个输出通道的全卷积网络。请注意，这里仅提供了一个基础的框架，实际应用中需要根据具体任务进行网络结构和参数的调整。

from keras.models import Model
from keras.layers import Input, Conv2D, Conv2DTranspose, MaxPooling2D, concatenate

def fcn_5in_1out(input_shape):
    inputs = Input(shape=input_shape)

    # 编码器部分
    conv1 = Conv2D(64, (3, 3), activation='relu', padding='same')(inputs)
    pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)

    conv2 = Conv2D(128, (3, 3), activation='relu', padding='same')(pool1)
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)

    conv3 = Conv2D(256, (3, 3), activation='relu', padding='same')(pool2)
    pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)

    conv4 = Conv2D(512, (3, 3), activation='relu', padding='same')(pool3)
    pool4 = MaxPooling2D(pool_size=(2, 2))(conv4)

    # 在这里可以继续添加更多的卷积层和池化层

    # 解码器部分
    up1 = Conv2DTranspose(256, (2, 2), strides=(2, 2), padding='same')(pool4)
    up1 = concatenate([up1, conv3], axis=3)  # 通过上采样和跳跃连接

    up2 = Conv2DTranspose(128, (2, 2), strides=(2, 2), padding='same')(up1)
    up2 = concatenate([up2, conv2], axis=3)

    # 最后的卷积层用于输出最终的预测结果
    predictions = Conv2D(1, (1, 1), activation='sigmoid')(up2)  # 使用sigmoid激活函数，因为是二分类问题

    model = Model(inputs=inputs, outputs=predictions)
    return model

# 假设输入数据的尺寸为(256, 256, 5)，即宽高为256像素，5个输入通道
model = fcn_5in_1out((256, 256, 5))
model.summary()

这段代码定义了一个FCN模型，输入层接受宽度和高度为256像素、5个通道的图像数据。在编码器部分，使用了几个卷积层和最大池化层来提取图像特征，并在解码器部分使用了上采样（转置卷积）和跳跃连接来恢复图像的空间分辨率。最后，使用一个卷积层来输出预测结果，这里假定是一个二分类问题，因此使用了sigmoid激活函数。