代码：
https://github.com/4uiiurz1/pytorch-nested-unet
文件包括：utils.py，preprocess_dsb2018.py，dataset.py，train.py， archs.py，losses.py，metrics.py，test.py

• utils.py

def str2bool: => tru = 1; false = 0
def count_params(): =>计算训练参数量

• preprocess_dsb2018.py

数据预处理
创建好image，mask所在目录，规范image channel = 3，resize image & mask，将千奇百态的图片按上述处理后再重命名保存。

• dataset.py

将image，mask [0，255]的范围归一化为[0，1]。
如果进行数据增强，则将部分图片左右翻转或上下翻转，并将(h，w，c) =>(c，h，w)

• train.py

用训练集训练模型，并在验证集的约束下优化模型并保存。

• test.py

加载最优模型对测试集预测，保存分割的mask，并用相关指标评估。

preprocess_dsb2018.py

• glob.glob()
  返回所有匹配的文件路径列表（list）；该方法需要一个参数用来指定匹配的路径字符串（字符串可以为绝对路径也可以为相对路径），其返回的文件名只包括当前目录里的文件名，不包括子文件夹里的文件。

• tqdm
  Tqdm 是 Python 进度条库，可以在 Python 长循环中添加一个进度提示信息用法：tqdm(iterator)

• skimage.io.imread
  io.imread读出图片格式是uint8(unsigned int)；value是numpy array；图像数据是以RGB的格式进行存储的，通道值默认范围0-255。(height,width, channel)
  skimage图片信息

from skimage import io, data
img = data.chelsea()
io.imshow(img)
print(type(img))  #显示类型
print(img.shape)  #显示尺寸
print(img.shape[0])  #图片高度
print(img.shape[1])  #图片宽度
print(img.shape[2])  #图片通道数
print(img.size)   #显示总像素个数
print(img.max())  #最大像素值
print(img.min())  #最小像素值
print(img.mean()) #像素平均值
print(img[0][0])  #图像的像素值

image.shape[0], 图片垂直尺寸
image.shape[1], 图片水平尺寸
image.shape[2], 图片通道数

• len()
  返回字符串、列表、字典、元组等长度
  if (len(image.shape) == 2):
  如果图片只有height，width，没有channel

• np.tile()
  函数形式： tile(A，rep)
  功能：重复A的各个维度
  参数类型：
  A: Array类的都可以
  rep：A沿着各个维度重复的次数

• skimage.io.imsave
  使用io模块的imsave（fname,arr）函数来实现。第一个参数表示保存的路径和名称，第二个参数表示需要保存的数组变量。
  保存图片的同时也起到了转换格式的作用。如果读取时图片格式为jpg图片，保存为png格式，则将图片从jpg图片转换为png图片并保存。

• os.path.basename()
  返回path最后的文件名。若path以/或\结尾，那么就会返回空值。

path='D:\CSDN'
os.path.basename(path)=CSDN

path='/root/runoob.txt'
os.path.basename(path)=runoob.txt

• Numpy的布尔索引与花式索引

for mask_path in glob(path+'/masks/*'):
     mask_ = imread(mask_path) > 127
     mask[mask_] = 1

• imread(mask_path) 是numpy.ndarray，(h，w，c)，范围是[0，255]，0为黑色，255为白色，
• mask_ 数组中 > 127(白色)的元素记为ture，否则记为false.

• mask[mask_] = 1将mask_ 元素为1的的地方赋值为1。
  详见：
  Numpy的布尔索引与花式索引

• cv2.resize()
  cv2.resize(src,dsize,dst=None,fx=None,fy=None,interpolation=None)
  • scr:原图
  • dsize：输出图像尺寸
  • fx:沿水平轴的比例因子
  • fy:沿垂直轴的比例因子
  • interpolation：插值方法
    只会resize原图像的水平方向尺寸和垂直方向尺寸，不会对channel有影响。
    详见：
    cv2.resize()

train.py

• .__ dict __
  通俗的理解：每个参数，变量，对象都是以字典的形式存储，每一个key对应一个value
  
  __ dict __.png

def main()

• argparse.ArgumentParser()

  • choices - 设置参数值的范围，如果choices中的类型不是字符串，要指定type。#parser.add_argument(“-y”, choices=[‘a’, ‘b’, ‘d’])
  • metavar - 参数的名字，在显示 帮助信息时才用到. # parser.add_argument(“-o”, metavar=”OOOOOO”)
    更多见--python3中argparse模块详解

• vars()
  返回对象object的属性和属性值的字典对象。

• getattr()
  getattr():从名字上看获取属性值.

class Person():
    age = 14
Tom = Person()
print(getattr(Tom,'age'))

此时的结果为14，
若，该属性不存在

getattr(Tom,'name')
AttributeError: 'Person' object has no attribute 'name'

• train_test_split()
  • 所在包：sklearn.model_selection
  • 功能：划分数据的训练集与测试集
  • 参数解读：train_test_split (*arrays，test_size, train_size, rondom_state=None, shuffle=True, stratify=None)
  • arrays：特征数据和标签数据（array，list，dataframe等类型），要求所有数据长度相同。
  • test_size / train_size: 测试集/训练集的大小，若输入小数表示比例，若输入整数表示数据个数。
  • rondom_state：随机种子（一个整数），其实就是一个划分标记，对于同一个数据集，如果rondom_state相同，则划分结果也相同。
  • shuffle：是否打乱数据的顺序，再划分，默认True。
  • stratify：none或者array/series类型的数据，表示按这列进行分层采样。

xtrain,xtest,ytrain,ytest=train_test_split(data,label,test_size=0.2,stratify=data['a'],random_state=1)

• pytorch固定部分参数进行网络训练

if args.optimizer == 'Adam':
    optimizer = optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr=args.lr)
elif args.optimizer == 'SGD':
    optimizer = optim.SGD(filter(lambda p: p.requires_grad, model.parameters()), lr=args.lr,
                momentum=args.momentum, weight_decay=args.weight_decay, nesterov=args.nesterov)

详见：
pytorch固定部分参数进行网络训练
pytorch固定部分参数进行网络训练

class AverageMeter

计算并存储平均值和当前值

class AverageMeter(object):
    """Computes and stores the average and current value"""
    def __init__(self):
        self.reset()

    def reset(self):
        self.val = 0
        self.avg = 0
        self.sum = 0
        self.count = 0

    def update(self, val, n=1):
        self.val = val
        self.sum += val * n
        self.count += n
        self.avg = self.sum / self.count

def train

• .cuda()

input = input.cuda()

x.cuda()操作将 x 变为Tensor类型

cuda = >Tensor

• python 默认参数

def enroll(name, gender, age=6, city='Beijing'):
    print('name:', name)
    print('gender:', gender)
    print('age:', age)
    print('city:', city)

只有与默认参数不符的学生才需要提供额外的信息：
enroll('Bob', 'M', 7)
enroll('Adam', 'M', city='Tianjin')

• losses = AverageMeter()
  实例化AverageMeter(),调用init初始化函数

• losses.update(loss.item(), input.size(0))
  input.size()覆盖默认参数n=1
  input经过.cuda后为Tensor类型，input [bacth_size, c, w, h]

dataset.py

from skimage.io import imread

image = imread(img_path)
mask = imread(mask_path)

image = image.astype('float32') / 255
mask = mask.astype('float32') / 255

if self.aug:
    if random.uniform(0, 1) > 0:
        image = image[:, ::-1, :].copy()
        mask = mask[:, ::-1].copy()
    if random.uniform(0, 1) > 0.5:
        image = image[::-1, :, :].copy()
        mask = mask[::-1, :].copy()

image = image.transpose((2, 0, 1))
mask = mask[:,:,np.newaxis]
mask = mask.transpose((2, 0, 1))

• image = imread(img_path)

  • imread的读取的image结果为numpy.ndarray， type为('uint8')，image里都是整数uint8,范围[0-255]
  • 假设image为(300, 400, 3) (h,w,c)，channel顺序为RGB
    array([
    [ [143, 198, 201 (dim=3)],[143, 198, 201],... (w=200)],
    [ [143, 198, 201],[143, 198, 201],... ], ...(h=100) ], dtype=uint8)

• image = image.astype('float32') / 255
  将image的type改为float32，并把数据范围缩小到[0，1]

• ** image = image[:, ::-1, :].copy()**
  image = image[:, ::-1, :] 表示将图像向右翻转180°
  image = image[::-1,: , :]表示将图像向下翻转180°

• image = image.transpose((2, 0, 1))
  image (h,w,c) transpose为（c,w,h）

utils.py

def str2bool(v):
    if v.lower() in ['true', 1]:
        return True
    elif v.lower() in ['false', 0]:
        return False
    else:
        raise argparse.ArgumentTypeError('Boolean value expected.')

def count_params(model):
    return sum(p.numel() for p in model.parameters() if p.requires_grad)

• count_params()
  计算模型训练参数量

• pytorch 获取模型参数量

# Find total parameters and trainable parameters
total_params = sum(p.numel() for p in model.parameters())
print(f'{total_params:,} total parameters.')

total_trainable_params = sum(p.numel() for p in model.parameters() if p.requires_grad)
print(f'{total_trainable_params:,} training parameters.')

arch.py

有Unet和Unet++

losses.py

一些计算losses的函数

metrics.py

评估函数

参考链接：
image.shap--yournevermore
skimage.io.imread与cv2.imread的区别
python 处理图像的常见操作-- 平移缩放裁剪
skimage图像处理
skimage.io.imread API
numpy模块的tile()方法简单说明
Python os.path() 模块
os.path.basename()作用
python之getattr()函数
train_test_split数据集分割
OpenCV、Skimage、PIL图像处理的细节差异
Numpy的布尔索引与花式索引
image = image[:, ::-1, :]的含义是什么
python 矩阵转置transpose
pytorch 获取模型参数量