代码实现∪-Net模型构建

UNet是一种经典的用于图像分割任务的卷积神经网络结构，尤其适合处理像素级别的标注任务。以下是使用Keras库构建一个基本的UNet模型的Python代码示例：

from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, concatenate
from tensorflow.keras.models import Model

def unet_model(input_size=(256, 256, 3), filters=32):
    inputs = Input(input_size)  # 输入层

    # 编码阶段（下采样）
    conv1 = Conv2D(filters, (3, 3), activation='relu', padding='same')(inputs)
    conv1 = Conv2D(filters, (3, 3), activation='relu', padding='same')(conv1)
    pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)

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

    # 更深的编码阶段...
    # 这里省略了一些层级，你可以添加更多的MaxPooling2D和Conv2D层，每增加一层，filter的数量翻倍。

    # 解码阶段（上采样）
    up4 = concatenate([UpSampling2D(size=(2, 2))(conv2), conv1], axis=-1)  # 合并特征图
    conv4 = Conv2D(filters * 2, (3, 3), activation='relu', padding='same')(up4)
    conv4 = Conv2D(filters * 2, (3, 3), activation='relu', padding='same')(conv4)

    up3 = concatenate([UpSampling2D(size=(2, 2))(conv4), conv2], axis=-1)
    conv3 = Conv2D(filters * 2, (3, 3), activation='relu', padding='same')(up3)
    conv3 = Conv2D(filters * 2, (3, 3), activation='relu', padding='same')(conv3)

    # 输出层（通常是一个1x1的卷积层，输出通道数等于目标类别数）
    output_layer = Conv2D(1, (1, 1), activation='sigmoid')(conv3)

    model = Model(inputs=inputs, outputs=output_layer)  # 创建模型实例
    return model

unet = unet_model()  # 创建一个UNet模型

在这个代码中，我们创建了一个输入层，然后通过一系列的卷积、池化和上采样操作来构建网络。每个编码层（downsampling）后都会将特征图的数量翻倍，而解码层（upsampling）则会恢复到原来的数量。最后是一个1x1的卷积层生成预测结果，通常用Sigmoid激活函数确保输出的概率在0到1之间。