Keras 实现U-Net及相关函数介绍

U-Net网络结构及其代码实现（Keras）

U-Net网络结构

用到的Keras函数详解

1.Conv2D()

keras.layers.Conv2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)

参数:

filters: 整数，输出空间的维度 （即卷积中滤波器的输出数量）。
kernel_size: 一个整数，或者 2 个整数表示的元组或列表， 指明 2D 卷积窗口的宽度和高度。 可以是一个整数，为所有空间维度指定相同的值。
strides: 一个整数，或者 2 个整数表示的元组或列表， 指明卷积沿宽度和高度方向的步长。 可以是一个整数，为所有空间维度指定相同的值。 指定任何 stride 值 != 1 与指定 dilation_rate 值 != 1 两者不兼容。
padding: “valid” 或 “same” (大小写敏感)。
data_format: 字符串， channels_last (默认) 或 channels_first 之一，表示输入中维度的顺序。 channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。
dilation_rate: 一个整数或 2 个整数的元组或列表， 指定膨胀卷积的膨胀率。 可以是一个整数，为所有空间维度指定相同的值。 当前，指定任何 dilation_rate 值 != 1 与 指定 stride 值 != 1 两者不兼容。
activation: 要使用的激活函数 (详见 activations)。
use_bias: 布尔值，该层是否使用偏置向量。
kernel_initializer: kernel 权值矩阵的初始化器 (详见 initializers)。
bias_initializer: 偏置向量的初始化器 (详见 initializers)。
kernel_regularizer: 运用到 kernel 权值矩阵的正则化函数 (详见 regularizer)。
bias_regularizer: 运用到偏置向量的正则化函数 (详见 regularizer)。
activity_regularizer: 运用到层输出（它的激活值）的正则化函数 (详见 regularizer)。
kernel_constraint: 运用到 kernel 权值矩阵的约束函数 (详见 constraints)。
bias_constraint: 运用到偏置向量的约束函数 (详见 constraints)。
输入尺寸
如果 data_format=‘channels_first’， 输入 4D 张量，尺寸为 (samples, channels, rows, cols)。
如果 data_format=‘channels_last’， 输入 4D 张量，尺寸为 (samples, rows, cols, channels)。
输出尺寸
如果 data_format=‘channels_first’， 输出 4D 张量，尺寸为 (samples, filters, new_rows, new_cols)。
如果 data_format=‘channels_last’， 输出 4D 张量，尺寸为 (samples, new_rows, new_cols, filters)。

2.MaxPooling2D()

keras.layers.MaxPooling2D(pool_size=(2, 2), strides=None, padding='valid', data_format=None)

参数：
pool_size: 整数，或者 2 个整数表示的元组， 沿（垂直，水平）方向缩小比例的因数。 （2，2）会把输入张量的两个维度都缩小一半。 如果只使用一个整数，那么两个维度都会使用同样的窗口长度。
strides: 整数，2 个整数表示的元组，或者是 None。 表示步长值。 如果是 None，那么默认值是 pool_size。
padding: “valid” 或者 “same” （区分大小写）。
data_format: 字符串，channels_last (默认)或 channels_first 之一。 表示输入各维度的顺序。 channels_last 代表尺寸是 (batch, height, width, channels) 的输入张量， 而 channels_first 代表尺寸是 (batch, channels, height, width) 的输入张量。

3.UpSampling2D()

keras.layers.UpSampling2D(size=(2, 2), data_format=None, interpolation='nearest')

参数

size: 整数，或 2 个整数的元组。 行和列的上采样因子。
data_format: 字符串， channels_last (默认) 或 channels_first 之一， 表示输入中维度的顺序。channels_last 对应输入尺寸为 (batch, height, width, channels)， channels_first 对应输入尺寸为 (batch, channels, height, width)。
interpolation: 字符串，nearest 或 bilinear 之一。 注意 CNTK 暂不支持 bilinear upscaling， 以及对于 Theano，只可以使用 size=(2, 2)。

4.compile()

compile(optimizer, loss=None, metrics=None, loss_weights=None, sample_weight_mode=None, weighted_metrics=None, target_tensors=None)

参数：
optimizer: 字符串（优化器名）或者优化器实例。
loss: 字符串（目标函数名）或目标函数。 如果模型具有多个输出，则可以通过传递损失函数的字典或列表，在每个输出上使用不同的损失。 模型将最小化的损失值将是所有单个损失的总和。
metrics: 在训练和测试期间的模型评估标准。 通常你会使用 metrics = [‘accuracy’]。 要为多输出模型的不同输出指定不同的评估标准， 还可以传递一个字典，如 metrics = {‘output_a’：‘accuracy’}。
loss_weights: 可选的指定标量系数（Python 浮点数）的列表或字典， 用以衡量损失函数对不同的模型输出的贡献。 模型将最小化的误差值是由 loss_weights 系数加权的加权总和误差。 如果是列表，那么它应该是与模型输出相对应的 1:1 映射。 如果是张量，那么应该把输出的名称（字符串）映到标量系数。
sample_weight_mode: 如果你需要执行按时间步采样权重（2D 权重），请将其设置为 temporal。 默认为 None，为采样权重（1D）。 如果模型有多个输出，则可以通过传递 mode 的字典或列表，以在每个输出上使用不同的 sample_weight_mode。
weighted_metrics: 在训练和测试期间，由 sample_weight 或 class_weight 评估和加权的度量标准列表。
target_tensors: 默认情况下，Keras 将为模型的目标创建一个占位符，在训练过程中将使用目标数据。 相反，如果你想使用自己的目标张量（反过来说，Keras 在训练期间不会载入这些目标张量的外部 Numpy 数据）， 您可以通过 target_tensors 参数指定它们。 它可以是单个张量（单输出模型），张量列表，或一个映射输出名称到目标张量的字典。
**kwargs: 当使用 Theano/CNTK 后端时，这些参数被传入 K.function。 当使用 TensorFlow 后端时，这些参数被传递到 tf.Session.run。

U-Net的Keras实现

from keras import Input, Model
from keras.layers import Conv2D, MaxPooling2D, UpSampling2D, Concatenate
from keras.optimizers import Adam

def U_Net():
    inputs=Input(shape=(256,256,3))#输入图片的尺寸

    conv1=Conv2D(64,(3,3),padding='same',activation='relu',kernel_initializer='he_normal')(input)
    conv1=Conv2D(64,(3,3),padding='same',activation='relu',kernel_initializer='he_normal')(conv1)
    pool1=MaxPooling2D((2,2),padding='same')(conv1)

    conv2=Conv2D(128,(3,3),padding='same',activation='relu',kernel_initializer='he_normal')(pool1)
    conv2=Conv2D(128,(3,3),padding='same',activation='relu',kernel_initializer='he_normal')(conv2)
    pool2 = MaxPooling2D((2, 2), padding='same')(conv2)

    conv3 = Conv2D(256, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(pool2)
    conv3 = Conv2D(256, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(conv3)
    pool3 = MaxPooling2D((2, 2), padding='same')(conv3)

    conv4 = Conv2D(512, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(pool3)
    conv4 = Conv2D(512, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(conv4)
    pool4 = MaxPooling2D((2, 2), padding='same')(conv4)

    conv5 = Conv2D(1024, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(pool4)
    conv5 = Conv2D(1024, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(conv5)

    up6=UpSampling2D(size=(2,2))(conv5)
    merge6 = Concatenate(axis=3)([conv4,up6])
    conv6=Conv2D(512, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(merge6)
    conv6 = Conv2D(512, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(conv6)

    up7 = UpSampling2D(size=(2, 2))(conv6)
    merge7 = Concatenate(axis=3)([conv3, up7])
    conv7 = Conv2D(256, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(merge7)
    conv7 = Conv2D(256, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(conv7)

    up8 = UpSampling2D(size=(2, 2))(conv7)
    merge8 = Concatenate(axis=3)([conv2, up8])
    conv8 = Conv2D(128, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(merge8)
    conv8 = Conv2D(128, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(conv8)

    up9 = UpSampling2D(size=(2, 2))(conv8)
    merge9 = Concatenate(axis=3)([conv1, up9])
    conv9 = Conv2D(64, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(merge9)
    conv9 = Conv2D(64, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(conv9)
    conv9 = Conv2D(2, (1, 1), padding='same', activation='sigmoid')(conv9)

    model=Model(input=inputs,output=conv9)
    model.compile(optimizer=Adam(lr = 1e-4), loss ='crossentropy', metrics = ['accuracy'])
    return model