U-Net在PyTorch中可150行内实现，关键在于下采样/上采样尺寸精确匹配（如572×572→388×388），推荐用Upsample+Conv2d替代ConvTranspose2d；Keras中Conv2DTranspose默认padding='valid'易致尺寸错位，需裁剪或改用UpSampling2D；输入建议256×256等2的幂次，归一化用rescale_intensity，mask转为0/1浮点，损失用Dice或Focal，避免nan/inf需检查mask全零、batch size>1及AMP兼容性。
U-Net 在 PyTorch 中没有官方实现，但用 torch.nn 搭建一个可训练的版本，150 行内就能跑通；TensorFlow/Keras 虽有 tf.keras.layers.Conv2DTranspose，但默认 padding 行为和原始论文不一致，容易导致尺寸错位。
用 PyTorch 从零写 U-Net，关键在下采样/上采样路径对齐
原始 U-Net 的 encoder-decoder 结构依赖精确的特征图尺寸匹配（比如 572×572 输入 → 388×388 输出），这要求每个 Conv2d + ReLU + MaxPool2d 后的尺寸可逆。PyTorch 默认 MaxPool2d(kernel_size=2, stride=2) 是安全的，但上采样必须用 ConvTranspose2d 或 Upsample + Conv2d —— 前者需手动设 output_padding=0，后者更稳定。
- 下采样块：推荐用
nn.Sequential(nn.Conv2d(in_c, out_c, 3), nn.ReLU(), nn.Conv2d(out_c, out_c, 3), nn.ReLU(), nn.MaxPool2d(2))，避免padding='same'（PyTorch 不支持字符串） - 上采样块：优先用
nn.Upsample(scale_factor=2, mode='bilinear', align_corners=False)+nn.Conv2d，比ConvTranspose2d更少出现边界伪影 - 跳跃连接时务必检查 shape：
cat([x_upsampled, x_skip], dim=1)前用assert x_upsampled.shape == x_skip.shape，尤其 batch size > 1 时容易因输入尺寸非 2^n 出错
用 Keras 快速验证结构，但注意 Conv2DTranspose 的 padding 缺陷
Keras 的 Conv2DTranspose 默认 padding='valid'，会导致上采样后尺寸比期望小 1 像素（例如 26×26 → 52×52，而非 53×53），直接 concat 会报错。原始论文使用的是 crop + concat，但现代实现普遍改用 padding 对齐。
调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。
- 修复方法：给每个
Conv2DTranspose加cropping=((0,1), (0,1))或改用UpSampling2D+Conv2D - 输入尺寸建议设为 256×256 或 512×512（2 的整数次幂），避免奇数尺寸触发 Keras 内部 floor division 导致的 shape 不匹配
- 损失函数别直接用
'binary_crossentropy'：医学图像前景像素极少，要用tf.keras.losses.BinaryFocalCrossentropy或自定义 dice loss
数据加载和预处理最容易卡住训练
U-Net 对输入归一化敏感，但医学图像（如 CT、MRI）的像素值范围差异极大，直接除 255 会压垮对比度；同时 mask 若是 uint8 标签图，需确保 foreground 像素值为 1（不是 255）。
立即学习“Python免费学习笔记（深入）”；
- 图像归一化：用
skimage.exposure.rescale_intensity(img, out_range=(0.0,1.0))比硬除更鲁棒 - mask 处理：读取后强制
mask = (mask > 128).astype(np.float32)，避免 0/255 二值混淆 - 增强要谨慎：
RandomRotation和RandomHorizontalFlip可以用，但RandomAffine易扭曲器官边界，影响分割精度
真正难的不是搭模型，而是让第一个 batch 的 loss 从 nan 或 inf 降下来——检查 torch.cuda.amp.autocast 是否和 nn.BCEWithLogitsLoss 冲突，确认 mask 中没有全零 slice，还有 batch size 别设成 1（BN 层会失效）。
