【扒代码】regression

【扒代码】regression_head.py

news2024/12/30 3:29:06

import torch
from torch import nn

class UpsamplingLayer(nn.Module):
    # 初始化 UpsamplingLayer 类
    def __init__(self, in_channels, out_channels, leaky=True):
        super(UpsamplingLayer, self).__init__()  # 调用基类的初始化方法

        # 初始化一个序列模型，包含卷积层、激活函数和上采样操作
        self.layer = nn.Sequential(
            # 卷积层，用于特征图的卷积操作
            # in_channels 表示输入通道数，out_channels 表示输出通道数
            # kernel_size=3 表示卷积核大小为 3x3
            # padding=1 表示边缘填充，保持特征图尺寸不变
            nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),
            # 根据参数 leaky 决定使用 LeakyReLU 激活函数还是 ReLU 激活函数
            # LeakyReLU 在正输入值上与 ReLU 相同，但在负输入值上允许一个小的梯度（由 leaky 参数控制）
            nn.LeakyReLU() if leaky else nn.ReLU(),
            # 上采样层，使用双线性插值方法放大特征图
            # scale_factor=2 表示将特征图的尺寸放大两倍
            nn.UpsamplingBilinear2d(scale_factor=2)
        )

    # 前向传播方法，将输入 x 通过定义好的层进行处理
    def forward(self, x):
        return self.layer(x)

功能解释：

UpsamplingLayer 类接收三个参数：in_channels（输入通道数），out_channels（输出通道数），和 leaky（一个布尔值，决定是否使用 LeakyReLU 激活函数）。
类初始化方法 __init__ 中，使用 nn.Sequential 创建了一个序列模型，它将按照顺序应用里面的层。
nn.Conv2d 是一个二维卷积层，用于在卷积神经网络中进行卷积操作。
nn.LeakyReLU 是一种激活函数，当输入为正时，它的行为与 nn.ReLU 相同，当输入为负时，它允许一个非零的梯度（由 leaky 参数控制）。
nn.UpsamplingBilinear2d 是一个上采样层，使用双线性插值方法来放大特征图的尺寸。
forward 方法定义了模型的前向传播，它接收输入 x，并通过 self.layer 中定义的层进行处理，然后返回处理后的结果。

整体而言，UpsamplingLayer 类实现了一个简单的上采样模块，它首先通过卷积层提取特征，然后应用激活函数，最后通过上采样层放大特征图，这在图像分割、特征细化等任务中非常有用。（这个上采样）

import torch
from torch import nn
from .upsamplinglayer import UpsamplingLayer  # 假设 UpsamplingLayer 在当前包中定义

class DensityMapRegressor(nn.Module):
    # 初始化 DensityMapRegressor 类
    def __init__(self, in_channels, reduction):
        super(DensityMapRegressor, self).__init__()  # 调用基类的初始化方法

        # 根据 reduction 参数的不同，构建不同的回归器结构
        if reduction == 8:
            self.regressor = nn.Sequential(
                # 上采样层，将输入通道数 in_channels 上采样到 128
                UpsamplingLayer(in_channels, 128),
                # 继续上采样到 64
                UpsamplingLayer(128, 64),
                # 再上采样到 32
                UpsamplingLayer(64, 32),
                # 最后通过一个 1x1 卷积层将通道数减少到 1，生成密度图
                nn.Conv2d(32, 1, kernel_size=1),
                # 使用 LeakyReLU 激活函数
                nn.LeakyReLU()
            )
        elif reduction == 16:
            self.regressor = nn.Sequential(
                # 与 reduction == 8 类似，但是最后多一个上采样步骤到 16
                UpsamplingLayer(in_channels, 128),
                UpsamplingLayer(128, 64),
                UpsamplingLayer(64, 32),
                UpsamplingLayer(32, 16),
                nn.Conv2d(16, 1, kernel_size=1),
                nn.LeakyReLU()
            )

        # 初始化模型参数
        self.reset_parameters()

    # 前向传播方法，将输入 x 通过回归器处理
    def forward(self, x):
        return self.regressor(x)

    # 参数重置方法，使用特定的初始化方法初始化模型的权重和偏置
    def reset_parameters(self):
        for module in self.modules():  # 遍历模型中所有的模块
            if isinstance(module, nn.Conv2d):  # 如果模块是二维卷积层
                # 初始化权重为标准正态分布
                nn.init.normal_(module.weight, std=0.01)
                # 如果存在偏置项，则初始化为常数 0
                if module.bias is not None:
                    nn.init.constant_(module.bias, 0)

功能解释：

DensityMapRegressor 类用于生成对象计数的密度图，它根据输入的特征图和指定的 reduction 参数来构建一个回归器网络。
in_channels 参数指定了输入特征图的通道数。
reduction 参数控制了网络中上采样层的数量和最终生成的密度图的分辨率。
self.regressor 是一个序列模型，根据 reduction 参数的值，它将构建不同数量的上采样层，最后通过一个 1x1 卷积层输出通道数为 1 的密度图。
forward 方法定义了模型的前向传播逻辑，它接收输入 x，并通过 self.regressor 进行处理，返回处理后的密度图。
reset_parameters 方法用于初始化模型的参数，这里使用正态分布初始化权重，偏置初始化为常数 0。这是为了在训练开始前给模型一个合理的初始状态。