基于pytorch写一个简单unet网络

好的，以下是基于PyTorch实现的简单U-Net网络。

import torch.nn as nn
import torch.nn.functional as F


class DoubleConv(nn.Module):
    # 定义一个DoubleConv类，表示U-Net网络的基本结构
    def __init__(self, in_channels, out_channels):
        super(DoubleConv, self).__init__()
        # 定义两个卷积层
        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):
        x = self.conv(x)
        return x


class UNet(nn.Module):
    # 定义一个UNet类，表示U-Net网络的整体结构
    def __init__(self, in_channels=3, 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)

        # 定义下采样和上采样过程中的卷积层
        for feature in features:
            self.downs.append(DoubleConv(in_channels, feature))
            in_channels = feature
            self.ups.append(nn.ConvTranspose2d(feature*2, feature, kernel_size=2, stride=2))
            self.ups.append(DoubleConv(feature*2, feature))

        # 定义最后的卷积层
        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 = []
        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]
        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 = F.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)

该网络包含两个类，`DoubleConv` 和 `UNet`。`DoubleConv` 类表示 U-Net 网络中的基本结构，包含两个卷积层，一个 batchnorm 层和一个 ReLU 激活层。`UNet` 类表示 U-Net 网络的整体结构，包含下采样过程中的卷积层和上采样过程中的反卷积层，以及最后的卷积层。

在 `UNet` 类的 `__init__` 方法中，我们定义了下采样和上采样过程中的卷积层和反卷积层，以及最后的卷积层。其中 `features` 参数是一个列表，表示每一层的特征数，我们将使用该参数来定义网络结构。

在 `UNet` 类的 `forward` 方法中，我们首先定义了一个列表 `skip_connections`，用于存储下采样过程中的 feature maps，然后我们依次执行下采样和上采样过程，并将下采样过程中的 feature maps 存储到 `skip_connections` 中。在上采样过程中，我们将当前 feature map 和对应的下采样过程中的 feature map 进行拼接，然后执行一次卷积操作，最后使用一个 1x1 的卷积层生成最终的输出。