计划
1.复现Unet，并且实现把前面层的网络输出加到高层的代码
2.尝试用visdom观察结果
3.完成Unet的复现，但是，估计要改的话还是得弄懂upsample的尺寸变化，最后打算加一个fuse。
3.29
●代码里加了visdom，能够展现loss和error的变化了，但是，自变量没办法是eopch，每次都从0画一条线，不知道为什么。。看到别人是训练完了，再一次性画图，就可以，我是想边训练边画图的。。。。
可以看到还是收敛的了。。就是图有点丑。。
4.1
●pytorch一些用法
1.nn.ModuleList：
ModuleList can be indexed like a regular Python list, but modules it contains are properly registered, and will be visible by all Module methods.
Parameters:modules (iterable, optional) – an iterable of modules to add
2.add_module：
Adds a child module to the current module.
The module can be accessed as an attribute using the given name.
3.torch.nn.functional.pad(input, pad, mode='constant', value=0)
The number of dimensions to pad is [len(pad)/2] and the dimensions that get padded begins with the last dimension and moves forward. For example, to pad the last dimension of the input tensor, then pad has form(padLeft, padRight); to pad the last 2 dimensions of the input tensor, then use (padLeft, padRight, padTop, padBottom); to pad the last 3 dimensions, use (padLeft, padRight, padTop, padBottom, padFront, padBack).
●把Unet里一些层cat，测试结果可能提升了一点点，所以考虑别的方法，
一、添加辅助loss（未做完。此次测试没有辅助loss）
二、处理边界图，做一个二值的分类。
结果上测试时F1值提升了10个点左右。训练时验证的错误率却不是很低。。
==> 对测试结果，看了一两张图，发现有一些噪点，图片边界会有莫名的线出现。所以下次处理图不把边 界的像素标注了。然后结果让人满意的一点是，对比原图，和gt，gt标错的一小点地方网络处理正确了。
