UNet涉及的重点函数记录
1 数据加载
1.1 glob.glob() & os.path.join()
self.imgs_path = glob.glob(os.path.join(data_path,"image/*.png"))
glob.glob(“地址”)
功能:匹配所有的符合条件的文件，并将其以list的形式返回;
os.path.join(“字符串1”,“字符串2”,“字符串3”)功能:将字符串1，2，3拼接成一个完整的目录地址；
1.2 cv2.flip()
flip = cv2.flip(image,flipCode)
cv2.flip(image,num) num 可以为1表示水平翻转，0表示垂直翻转，-1表示水平+垂直翻转
例子：
1.3 cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
label = cv2.cvtColor(label, cv2.COLOR_BGR2GRAY)
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
功能：将image转化成灰度图，使用cv2读取出来的数据是BGR格式，和我们平时看到的图像不太一样
2 模型搭建
2.1 nn.BatchNorm2d()
nn.BatchNorm2d(out_channels)
nn.BatchNorm2d(out_channels)
功能：将数据进行归一化处理，具体的公式是：输入数据-数据平均值)/(数据方差开方) 方差的简单理解
2.2 ConvTranspose2d()
self.up1 = nn.ConvTranspose2d(in_channels=1024, out_channels=512, kernel_size=2, stride=2)
ConvTranspose2d(in_channels, out_channels, kernel_size, stride)
功能：将输入数据的通道数增加，具体参见：反卷积的计算公式，总结就是：padding=0时，卷积核的起始位置和输入层相交一个像素，当padding=1时，卷积核的起始位置和输入层相交2个像素，依此类推； stride=1时，输入层元素之间没有间隔，当stride=2时，输入层元素之间间隔为1，stride=3时，输入层元素之间间隔为2，以此类推
2.3 torch.cat([x2, x1], dim=1)
x = torch.cat([x2, x1], dim=1) # 进行数据拼接，进行拼接，在通道上进行拼接
outputs = torch.cat(inputs, dim)
功能：在给定维度上对输入的张量序列seq 进行连接操作。
inputs :待连接的张量序列，可以是任意相同Tensor类型的python 序列
dim :选择的扩维, 必须在0到len(inputs[0])之间，沿着此维连接张量序
代码中的tensor张量，是(batch_size,channel,height,width),所以是在通道上进行拼接的