只保留两层unet 把完整代码复制粘贴过来

以下是简化后的 `UNet` 模型，仅保留了两层编码器和解码器：

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

class UNet(nn.Module):
    def __init__(self):
        super(UNet, self).__init__()
        self.encoder1 = self.conv_block(3, 64)
        self.encoder2 = self.conv_block(64, 128)
        
        self.decoder1 = nn.Sequential(
            nn.ConvTranspose2d(128, 64, kernel_size=2, stride=2),
            nn.ReLU(),
        )
        self.decoder2 = nn.Sequential(
            nn.ConvTranspose2d(128, 3, kernel_size=2, stride=2),
            nn.Sigmoid(),
        )

    def conv_block(self, in_channels, out_channels):
        return nn.Sequential(
            nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
            nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True)
        )

    def forward(self, x):
        e1 = self.encoder1(x)
        e2 = self.encoder2(F.max_pool2d(e1, 2))
        
        d1 = self.decoder1(e2)
        d1 = torch.cat((e1, d1), dim=1)
        d2 = self.decoder2(d1)
        
        return d2

### 解释
1. **编码器部分**:
- `encoder1`: 将输入图像从3个通道转换为64个通道。
- `encoder2`: 将64个通道的特征图通过最大池化操作降采样，并将其通道数增加到128。

2. **解码器部分**:
- `decoder1`: 使用转置卷积（上采样）将128个通道的特征图恢复到64个通道，并使用ReLU激活函数。
- `decoder2`: 再次使用转置卷积将64个通道的特征图恢复到3个通道，并使用Sigmoid激活函数将输出限制在0到1之间。

3. **前向传播**:
- 输入图像首先通过两个编码器层进行下采样。
- 然后通过两个解码器层进行上采样。
- 最后，将解码器的输出与相应的编码器特征图拼接在一起，以保留更多的细节信息。

希望这个简化版本的 `UNet` 模型能满足你的需求。如果有任何进一步的问题或需要调整的地方，请告诉我！