用pytorch实现一个unet网络

以下是一个简单的 PyTorch 实现 U-Net 网络的代码：

import torch
import torch.nn as nn

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

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

        # Up part of U-Net
        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 U-Net
        for down in self.downs:
            x = down(x)
            skip_connections.append(x)
            x = self.pool(x)

        # Bottleneck
        x = self.bottleneck(x)

        # Up part of U-Net
        for idx in range(0, len(self.ups), 2):
            x = self.ups[idx](x)
            skip_connection = skip_connections[len(self.downs)-idx//2-1]
            if x.shape != skip_connection.shape:
                x = nn.functional.interpolate(x, size=skip_connection.shape[2:], mode='bilinear', align_corners=True)
            x = torch.cat((skip_connection, x), dim=1)
            x = self.ups[idx+1](x)

        # Final conv layer
        x = self.final_conv(x)

        return x

该代码实现了一个简单的 U-Net 网络，包括下采样和上采样部分。在下采样部分，我们使用 `DoubleConv` 模块对输入进行卷积和归一化，然后使用池化层减小空间大小并增加特征通道数。在上采样部分，我们使用转置卷积层进行上采样，并使用 `DoubleConv` 模块进行卷积和归一化。在每个上采样步骤中，我们使用跳跃连接连接相应的下采样层和上采样层。最终，我们使用 1x1 卷积层输出最终的预测结果。

请注意，此实现中的 `DoubleConv` 模块包含两个连续的卷积层和批归一化层，以及 ReLU 激活函数。在 U-Net 中，这个模块通常用于在不同层之间传递信息和特征。